欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023115137434
申请人: 山西大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于社交约束的网络影音智能推荐方法,其特征在于,包括以下步骤:

S10、收集历史数据生成信息数据库,将行为交互网络和社交关系网络以图数据形式存储并融合为一个异构网络;

S20、从步骤S10得到的异构网络中抽取社交模体、行为模体和联合模体,基于不同模体将输入数据转化为对应的超图;

S30、利用超图神经网络对步骤S20得到的超图进行建模,基于超图神经网络构建多通道超图神经网络模型,包含用户向量表征模块、项目向量表征模块、对比学习模块和偏好预测模块;

S40、对于步骤S30构建的多通道超图神经网络模型,通过迭代计算方式进行模型求解,确定模型的最优参数;

S50、对于步骤S30构建的多通道超图神经网络模型,以及步骤S40确定的模型最优参数,生成最终的推荐预测。

2.根据权利要求1所述一种基于社交约束的网络影音智能推荐方法,其特征在于,所述步骤S10具体包括以下步骤:S11、从网络影音社交平台收集历史数据生成信息数据库,将行为交互矩阵记为将社交关系矩阵记为 其中U={u1,u2,…,u|U|}表示用户集,I={i1,i2,…,i|I|}表示项目集,Ru,i=1表示用户u与项目i有交互,反之则表示为Ru,i=0,Sj,k=1表示用户j与用户k有社交联系,反之则表示为Sj,k=0;

S12、用图G=(V,E)来表示网络,其中V和E分别表示网络中的节点和边的集合,将行为交互图GR=(VR,ER)和社交关系图GS=(VS,ES)融合为一个异构图GF=(VF,EF),其中行为交互图GR为一个二部图,节点VR既包含用户,也包含网络影音资源,边VR表示用户曾观看或购买过该网络影音资源;社交关系图GS中的节点VS仅表示用户,边ES为有向边且连接着两个在网络影音社交平台上有定向社交关系的用户;在异构图GF中,

3.根据权利要求2所述一种基于社交约束的网络影音智能推荐方法,其特征在于,所述步骤S20具体包括以下步骤:S21、步骤S12得到的异构图GF中包含丰富的局部结构,因此,设计了三类模体对异构图GF中的局部结构进行刻画:(1)社交模体描述了一组用户中明确的社会关系,其邻接矩阵表示为 (2)行为模体模拟了不受社会关系约束的交互模式,在这种模式中用户通过共同的交互项目相互关联,其邻接矩阵表示为 (3)联合模体通过整

合社交信息和交互信息来描述强化的局部连接模式,其邻接矩阵表示为

其中m1<m2<m3<m4<m5<m6,对于模体诱导生成的邻接矩阵,矩阵中的元素由模体中两个点i和j的共现情况来计算,如式(1)所示:其中, 表示模体Mm的邻接矩阵,m表示所设计的模体个数;

S22、经过步骤S21,异构图GF分别从社交关系视角、交互行为视角和联合视角用不同类型的模体进行重组;在每一种视角中,异构图GF实际上都被转化为一个以相应类型的模体为条件的超图;在超图中,节点之间通过超边连接,每条超边连接多个节点,使用矩阵A∈|V|×|E|{0,1} 记录节点之间的邻接关系,其中,每个元素a(v,e)表示超边e是否包含节点v,如式(2)所示:

4.根据权利要求3述一种基于社交约束的网络影音智能推荐方法,其特征在于,所述步骤S30具体包括以下步骤:S31、超图神经网络是超图的一种特定应用,用于对超图进行建模和分析;超图神经网络既能处理多元关系和高阶关系,又能处理不同大小和形状的超图,并且在超图中对节点和超边进行嵌入学习和表示学习;

在用户向量表征模块中,用户在低维空间中的向量表征由式(3)计算:

其中,Hk∈{HS,HB,HJ}表示基于对应模体类型学得的用户向量表征, 表示Ak的度矩阵,Ak∈{AS,AB,AJ},l表示超图神经网络的层数;

为了克服信息聚合过程中出现的过度平滑问题,对超图神经网络中所有层的输出取平均值作为每一层的向量表征,如式(4)所示:其中,L表示超图神经网络的层数, 表示超图神经网络的输出;

为了获得全面的用户向量表征,利用多通道注意力机制自适应地聚合基于不同模体学得的向量表征,对于每个用户u,利用注意力权重系数(αS,αB,αJ)来描述不同模体下用户向量表征的权重,如式(5)所示:其中,ak表示注意力权重系数, 和 为注意力函数中的学习参数, 表示

基于某个模体学得的用户向量表征,T表示转置;

借助注意力机制生成新的用户向量表征,如式(6)所示:

S32、在项目向量表征模块中,利用式(7)定义项目向量表征:

(l+1) ‑1 Τ *(l)

Q =D R H          (7)

*

其中,R为用户与项目的交互矩阵,D为R的度矩阵,H为用户向量表征模块的输出;

S33、在对比学习模块中,为了替换以单个标量为输入的激活函数引入self‑gating激活函数,其函数表达式为y=x*sigmoid(x);为了使自监督学习更有效,首先通过式(8)中所设计的self‑gating激活函数增强模型的非线性近似能力和稳定性:其中, 表示经过self‑gating激活函数后的超图神经网络的输出, 表示超图神经网络的输出,gk(·)表示self‑gating激活函数, 和 是学习参数,σ(·)表示sigmoid激活函数,⊙表示向量Hadamard积,指将两个向量中对应位置的元素相乘所得到的新向量;

对于每种类型的模体建立了一个两级对比任务,第一个级是微观尺度与中观尺度的对比,第二个级是中观尺度与宏观尺度的对比,自监督损失函数如式(9)所示:其中,fd(·)是衡量两种表示之间一致性的判别函数, 表示单个用户在微观尺度上的向量表征,为了避免模型过度依赖数据的排列顺序对zk进行shuffle调序,通过打乱样本特征排序生成干扰负样本 使用式(10)中的READOUT函数通过聚合节点特征的方式来得到中观尺度上的用户向量表征zk,使用式(11)中的AveragePooling函数,通过将中观尺度上的平均值作为池化后的值保留整体数据的特征,得到宏观尺度上用户向量表征yk:其中,ak表示目标用户在矩阵Ak中对应的行向量,sum(ak)表示中观尺度下网络的总连接数;

其中, 表示经过self‑gating激活函数后的超图神经网络的输出;

S34、在偏好预测模块中,多通道超图神经网络模型的损失函数如式(12)所示:l=lP+βlA        (12)

其中,β表示自监督损失的调整系数,lA表示由式(9)所构建的自监督损失函数,lP表示利用BPR损失函数对推荐预测进行优化,如式(13)所示:其中,I(u)表示与用户u有交互的项目集合,Θ表示模型中训练参数集合,λ为正则化系数,在训练过程中,优化三元组由用户u、随机抽样的正项i∈I(u)和负项 组成,表示u和i之间的负项推荐结果, 表示u和i之间的正项推荐结果, 由它们各自的表示生成,由式(14)计算:其中, 和qi表示经过迭代计算确定的最优用户和项目向量表征。

5.根据权利要求4所述一种基于社交约束的网络影音智能推荐方法,其特征在于,所述步骤S40具体为:给定迭代次数N,迭代执行步骤S31~S34,直到达到迭代次数,完成对多通道超图神经网络模型的训练,获得模型的最优参数。

6.根据权利要求4所述一种基于社交约束的网络影音智能推荐方法,其特征在于,所述步骤S50具体为:将从网络影音社交平台上获取的待预测的用户和网络影音资源数据导入到多通道超图神经网络模型中,由式(14)得到Top‑10预测结果。

7.一种基于社交约束的网络影音智能推荐系统,其特性在于,用于实现权利要求1~6任一项所述基于社交约束的网络影音智能推荐方法,包括计算机处理器和内存、异构网络融合单元、模体信息抽取单元、模型构建单元、模型训练单元和偏好预测单元。

8.根据权利要求7所述的一种基于社交约束的网络影音智能推荐系统,其特性在于,所述异构网络融合单元执行步骤S10,通过计算机处理器利用收集到的用户历史数据,并加载到计算机内存中;所述模体信息抽取单元根据异构网络融合单元生成的异构网络执行步骤S20,从异构网络中抽取得到社交模体、行为模体和联合模体,基于不同模体将输入数据转化为对应的超图;所述模型构建单元执行步骤S30,利用超图神经网络对超图进行建模,基于超图神经网络构建多通道超图神经网络模型,包含用户向量表征模块、项目向量表征模块、对比学习模块和偏好预测模块;所述模型训练单元执行步骤S40,通过迭代计算确定参数,利用多尺度对比学习机制更新用户和项目的向量表征,提升表征学习的有效性,获取模型的最优参数;所述偏好预测单元执行步骤S50,将待预测的用户和项目数据代入模型中,生成最终的预测结果,将推荐结果输出至各类用户,为各种网络影音平台提供智能推荐。