基于异质用户网络嵌入的服务推荐方法研究

计算机工程与科学

基于异质用户网络嵌入的服务推荐方法研究

吴浩1，王晓晨1，曾诚1,2，何鹏1,2

(1.湖北大学计算机与信息工程学院,湖北武汉 430072;2.湖北省教育信息化工程技术研究中心,湖北武汉 430072)

收稿日期:2018-09-27 修回日期:2018-12-10 出版日期:2019-07-25 发布日期:2019-07-25
基金资助:
湖北省技术创新重大专项（2016CFB309）;湖北省教育厅青年人才项目(Q20171008);湖北大学自科青年基金（201507）

Service recommendation based on

heterogeneous user network embedding

WU Hao1，WANG Xiaochen1，ZENG Cheng1,2，HE Peng1,2

（1.School of Computer and Information Engineering,Hubei University,Wuhan 430072;

2.Hubei Engineering Research Center of Education Informationization,Wuhan 430072,China）

Received:2018-09-27 Revised:2018-12-10 Online:2019-07-25 Published:2019-07-25

摘要/Abstract

摘要：

服务推荐过程中，为充分利用用户标签标注关系与用户的社交关系信息，提升推荐结果的准确性，提出一种基于异质用户网络嵌入的方法，通过将用户节点映射为一个低维的向量，再利用得到的用户向量进行协同推荐。在公开数据集Delicious上进行了实证分析，实验结果表明，相对已有的2个方法，该方法的推荐精度可分别提高18.1%和16.6%，且发现在学习用户表征向量时，节点之间的直接关系与“朋友的朋友”关系对表示用户节点结构信息同等重要；同时，推荐过程中为目标用户返回的相似用户在25个最为适宜。

关键词: 网络嵌入, 异质信息网络, 协同过滤, 服务推荐

Abstract:

In order to make full use of user’s tagging and social relationship information and improve the accuracy of recommendation results in service recommendation, we propose a new recommendation method based on heterogeneous user network embedding. It maps a user node to a lowdimensional vector, and then utilizes the obtained user vector to carry out collaborative recommendation. We verify the method on Delicious, a public dataset. Experimental results show that our method outperforms the two existing methods, and the recommended accuracy is increased by 18.1% and 16.6% respectively. Furthermore, the results also suggest that the direct relationship between nodes is as important as the "friends of friends" relationship in representing user node structural information when learning the user representation vector. At the same time, it is most suitable to return top 25 similar users for the target user in the recommendation process.

Key words: network embedding, heterogeneous information network, collaborative filtering, service recommendation

吴浩1，王晓晨1，曾诚1,2，何鹏1,2. 基于异质用户网络嵌入的服务推荐方法研究[J]. 计算机工程与科学.

WU Hao1，WANG Xiaochen1，ZENG Cheng1,2，HE Peng1,2.

Service recommendation based on

heterogeneous user network embedding

[J]. Computer Engineering & Science.

[1]	李清风, 金柳, 马慧芳, 张若一. 双视图对比学习引导的多行为推荐方法[J]. 计算机工程与科学, 2024, 46(04): 707-715.
[2]	汪春播, 温继文. 基于异构信息网络的推荐研究综述[J]. 计算机工程与科学, 2023, 45(11): 2047-2059.
[3]	阎红灿, 王子茹, 李伟芳, 谷建涛. 伴随时间的模糊聚类协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(11): 2084-2090.
[4]	陈海龙, 闫五岳, 孙海娇, 程苗. 标签扩展的协同过滤推荐算法[J]. 计算机工程与科学, 2021, 43(10): 1826-1832.
[5]	张瑞典，钱晓东. 用余弦相似度修正评分的协同过滤推荐算法[J]. 计算机工程与科学, 2020, 42(06): 1096-1105.
[6]	袁泉1,2,3,成振华1,2,江洋1,2. 基于知识图谱和协同过滤的电影推荐算法研究[J]. 计算机工程与科学, 2020, 42(04): 714-721.
[7]	李娴, 赵霞, 张泽华, 张晨威. 基于异质信息网络的模糊推荐算法[J]. 计算机工程与科学, 2020, 42(02): 334-340.
[8]	宋月亭, 吴晟. 基于相似度优化和流形学习的协同过滤算法改进研究[J]. 计算机工程与科学, 2020, 42(02): 351-357.
[9]	刘辉, ., 曾斌, 刘子恺. 融合邻居选择策略和信任关系的兴趣点推荐[J]. 计算机工程与科学, 2020, 42(02): 365-372.
[10]	刘辉1,2,3，万程峰1,2，吴晓浩1,2. 基于增量协同过滤和潜在语义分析的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2033-2039.
[11]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[12]	刘国丽，白晓霞，廉孟杰，张斌. 基于专家信任的协同过滤推荐算法改进研究[J]. 计算机工程与科学, 2019, 41(10): 1846-1853.
[13]	李艳娟，牛梦婷，李林辉. 基于蜂群K-means聚类模型的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(06): 1101-1109.
[14]	刘玮1，邹璐琨2，霸元婕2，李广力3,4，张志刚1. 基于凸函数证据理论的关联感知云服务信任模型[J]. 计算机工程与科学, 2019, 41(01): 47-55.
[15]	王磊，瞿佳明. 基于协同过滤和Slope One算法的Web服务可靠性预测[J]. 计算机工程与科学, 2018, 40(08): 1390-1397.