CN110457572B - 基于图网络的商品信息推荐方法及电子设备 - Google Patents

基于图网络的商品信息推荐方法及电子设备 Download PDF

Info

Publication number
CN110457572B
CN110457572B CN201910598915.XA CN201910598915A CN110457572B CN 110457572 B CN110457572 B CN 110457572B CN 201910598915 A CN201910598915 A CN 201910598915A CN 110457572 B CN110457572 B CN 110457572B
Authority
CN
China
Prior art keywords
recommendation
user
ordered
path
graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910598915.XA
Other languages
English (en)
Other versions
CN110457572A (zh
Inventor
王鹏飞
朱亚东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Publication of CN110457572A publication Critical patent/CN110457572A/zh
Application granted granted Critical
Publication of CN110457572B publication Critical patent/CN110457572B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于图网络的商品信息推荐方法，其特征在于，包括：定义有序推荐路径；使用注意机制分析所述有序推荐路径的重要性，使用相加操作实现所述有序推荐路径的嵌入，得到基于图嵌入的统一协作过滤框架的目标函数；选择对应于不同所述有序推荐路径的推荐算法；基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型；训练基于图网络的推荐算法选择模型，得到推荐算法自动选择模型；使用所述推荐算法自动选择模型选择推荐算法，依据所述推荐算法向用户推荐商品信息。

Description

基于图网络的商品信息推荐方法及电子设备
技术领域
本发明涉及，特别是指一种基于图网络的商品信息推荐方法及电子设备。
背景技术
随着电子商务的发展，网络购物成为一种趋势，商品信息推荐成了电商挖掘客户需求提高营业额的主要手段。
推荐系统首先收集用户的历史行为数据，然后通过预处理的方法得到用户评价矩阵，再利用机器学习领域中相关推荐技术形成对用户的个性化推荐。有的推荐系统还搜集用户对推荐结果的反馈，并根据实际的反馈信息实时调整推荐策略，产生更符合用户需求的推荐结果。
然而目前的商品信息推荐机制都比较单一且在给定场景中无法对所有用户自动选择合适的推荐算法进行推荐，因此推荐信息不够高效精准。
发明内容
有鉴于此，本发明的目的在于提出一种将多种推荐机制组合可自动针对每个用户给出个性化推荐算法，实现高效精准信息推荐的基于图网络的商品信息推荐方法及电子设备。
基于上述目的，本发明提供了一种基于图网络的商品信息推荐方法，其特征在于，包括：
定义有序推荐路径；
使用注意机制分析所述有序推荐路径的重要性，使用相加操作实现所述有序推荐路径的嵌入，得到基于图嵌入的统一协作过滤框架的目标函数；
选择对应于不同所述有序推荐路径的推荐算法；
基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型；
训练基于图网络的推荐算法选择模型，得到推荐算法自动选择模型；
使用所述推荐算法自动选择模型选择推荐算法，依据所述推荐算法向用户推荐商品信息；
其中，所述定义有序推荐路径，具体包括：
定义三元组
Figure GDA0003441493970000021
Figure GDA0003441493970000022
和
Figure GDA0003441493970000023
分别表示第i个用户和第j个商品，p代表连结用户
Figure GDA0003441493970000024
和商品
Figure GDA0003441493970000025
的有序推荐路径，
Figure GDA0003441493970000026
r1表示用户购买一个商品，r2表示用户在购买一个商品之前购买了另一个商品，
Figure GDA0003441493970000027
表示用户在购买商品
Figure GDA0003441493970000028
之前买的商品；
其中，所述相加操作具体包括公式：
Figure GDA0003441493970000029
其中
Figure GDA00034414939700000210
为商品的嵌入向量，
Figure GDA00034414939700000211
为路径的嵌入向量，
Figure GDA00034414939700000212
为所述用户购买一个商品的嵌入向量，
Figure GDA00034414939700000213
为所述用户在购买一个商品之前购买了另一个商品的嵌入向量；
其中，所述基于图嵌入的统一协作过滤框架的目标函数具体包括：
Figure GDA00034414939700000214
其中，
Figure GDA00034414939700000215
表示所有的用户-商品键对集合，γ>0是边缘超参数，
Figure GDA00034414939700000216
为负样例，表示一个不同于
Figure GDA00034414939700000217
的用户，
Figure GDA00034414939700000218
表示
Figure GDA00034414939700000219
和
Figure GDA00034414939700000220
间的距离，
Figure GDA00034414939700000221
表示
Figure GDA00034414939700000222
和
Figure GDA00034414939700000223
间的距离，[x]+＝max(0；x)返回0和x之间的最大值，
Figure GDA00034414939700000224
是负样例组成的用户-商品键对三元组集合
Figure GDA00034414939700000225
在一些实施方式中，所述有序推荐路径中的任意两个商品遵守唯一性和有序性，其中：
定义
Figure GDA00034414939700000226
表示用户
Figure GDA00034414939700000227
购买商品
Figure GDA00034414939700000228
的时间；所述有序推荐路径中的任意两个商品表示为
Figure GDA00034414939700000229
所述唯一性为：
Figure GDA00034414939700000230
p两次经过相同商品，属于不同的购买行为；
所述有序性为：
Figure GDA00034414939700000231
p在经过
Figure GDA00034414939700000232
之前经过了
Figure GDA00034414939700000233
则
Figure GDA00034414939700000234
先于
Figure GDA00034414939700000235
被购买。
在一些实施方式中，所述注意机制具体包括公式：
Figure GDA0003441493970000031
其中
Figure GDA0003441493970000032
表示连接用户i和商品j的有序推荐路径p的重要性，p′表示所述有序推荐路径p中的任意一条路径。
在一些实施方式中，所述基于图嵌入的统一协作过滤框架的目标函数使用欧几里得距离作为唯一的距离度量。
在一些实施方式中，所述推荐算法具体包括如下中的一种或多种：一阶矩阵分解、贝叶斯个性排序、分解马尔科夫链、混合推荐。
在一些实施方式中，所述训练基于图网络的推荐算法选择模型的过程采用预热训练策略。
此外本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述实施方式中任意一项所述的方法。
从上面所述可以看出，本发明提供的一种基于图网络的商品信息推荐方法及电子设备首次将用户的购买行为映射到了网络图中，并通过定义时序推荐路径来捕获用户的购物行为，将多个推荐算法和不同的路径相对应，最终将模型映射到网络领域；首次引入注意力机制，从多个算法模型中进行了选择，从而针对每个用户商品键对，给出了最为精准的推荐信息；不仅将几种已知的推荐算法包含在内，并在此基础进行了更高阶的算法框架扩展，提高了推荐系统的效率，使得商品信息推荐更加高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的一种基于图网络的商品信息推荐方法的流程图；
图2为本发明一个实施例的有序推荐路径的示例图；
图3为本发明一个实施例的基于图嵌入的统一协作过滤框架的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
随着电子商务的发展，网络购物成为一种趋势，商品信息推荐成了电商挖掘客户需求提高营业额的主要手段。
推荐系统首先收集用户的历史行为数据，然后通过预处理的方法得到用户评价矩阵，再利用机器学习领域中相关推荐技术形成对用户的个性化推荐。有的推荐系统还搜集用户对推荐结果的反馈，并根据实际的反馈信息实时调整推荐策略，产生更符合用户需求的推荐结果。其中协同过滤系统成为最重要的一种推荐模型，包括时序的推荐模型，以及非时序的推荐模型等。但是给定一个新的场景，这些模型只能对部分的用户进行正确的推荐，因此，如何针对用户的购物行为自动的选择合适的模型进行推荐，便是一个十分重要的，急需解决的问题。而且目前的商品信息推荐机制都比较单一且在给定场景中无法对所有用户自动选择合适的推荐算法进行推荐，因此推荐信息不够高效精准。
有鉴于此，本发明的目的在于提出一种将多种推荐机制组合可自动针对每个用户给出个性化推荐算法，实现高效精准信息推荐的基于图网络的商品信息推荐方法及电子设备。具体的，本发明提出了UGrec(Unified Collaborative Filtering framework overGraph Embeddings)即基于图嵌入的统一协作过滤框架和传统算法相结合搭建推荐算法自动选择模型，基于用户的购物行为，自动选择合适的推荐系统进行推荐。UGrec将用户的购物行为映射为一个网络，并定义了一系列的时序推荐路径来捕获用户的时序购物行为。UGrec验证了多个流行的推荐算法都可以近似的对应某种时序推荐路径。最终UGrec通过注意力机制进行路径选择来提升推荐的准确性，而选择的路径代表了其最适合该用户的推荐模型。
参考图1为本发明一个实施例的一种基于图网络的商品信息推荐方法的流程图。
S101，定义有序推荐路径：
定义三元组
Figure GDA0003441493970000051
Figure GDA0003441493970000052
和
Figure GDA0003441493970000053
分别表示第i个用户和第j个商品，p代表连结用户
Figure GDA0003441493970000054
和商品
Figure GDA0003441493970000055
的有序推荐路径，
Figure GDA0003441493970000056
r1表示用户购买一个商品，r2表示用户在购买一个商品之前购买了另一个商品，
Figure GDA0003441493970000057
表示用户在购买商品
Figure GDA0003441493970000058
之前买的商品。用
Figure GDA0003441493970000059
作为起始点，
Figure GDA00034414939700000510
作为终结点构造一个有向图。这个图包含两种关系类型，即“买”和“在前”。“买”关系(用r1表示)连结一个用户和一个商品，这意味着一个用户买了一个商品；“在前”关系(用r2表示)连结两个商品，这意味着用户在买一个商品之前买了另一个商品。用ε表示图中所有实体即商品的集合，用
Figure GDA00034414939700000511
Figure GDA00034414939700000512
表示“买”和“在前”关系的集合，用
Figure GDA00034414939700000513
表示用户
Figure GDA00034414939700000514
购买商品
Figure GDA00034414939700000515
的时间戳，用|p|表示路径p的阶，即路径上实体和关系的总数。
给出任意两个实体
Figure GDA00034414939700000516
其中
Figure GDA00034414939700000517
和
Figure GDA00034414939700000518
表示p中的第m个和第n个实体，它们遵守以下两个性质：
唯一性：
Figure GDA00034414939700000519
这意味着如果路径两次经过相同商品，这个商品应当属于不同的购买行为，使用这条性质来避免路径中冗余的实体。
有序性：
Figure GDA00034414939700000520
这意味着如果路径在经过
Figure GDA00034414939700000521
之前经过了
Figure GDA00034414939700000522
那么
Figure GDA00034414939700000523
应该先于
Figure GDA00034414939700000524
被购买，使用这条性质保持路径中实体的时序。
参考图2为本发明一个实施例的有序推荐路径的示例图，在用户
Figure GDA00034414939700000525
和商品
Figure GDA00034414939700000526
之间图网络的一个例子。
Figure GDA00034414939700000527
和
Figure GDA00034414939700000528
都是用户
Figure GDA00034414939700000529
购买的商品，其中
Figure GDA00034414939700000530
令r1和r2分别表示“买”和“在前”关系，那么{r1}，
Figure GDA00034414939700000531
Figure GDA00034414939700000532
和
Figure GDA00034414939700000533
是用户
Figure GDA00034414939700000534
和商品
Figure GDA00034414939700000535
间的有序推荐路径。
基于“有序推荐路径”的定义可以移除大部分不合逻辑的路径。例如，路径
Figure GDA00034414939700000536
违反了唯一性，路径
Figure GDA00034414939700000537
违反了有序性。这种方式可以减少分析空间，专注于反映用户和商品之间有意义关系的路径。
S102，使用注意机制分析所述有序推荐路径的重要性，使用相加操作实现所述有序推荐路径的嵌入，得到基于图嵌入的统一协作过滤框架的目标函数：
基于图嵌入的统一协作过滤框架根据从用户购买历史挖掘出的“有序推荐路径”来给用户和商品的联系建模。为了分析每一个有序推荐路径的重要性，基于图嵌入的统一协作过滤框架利用一个“注意”(attention)机制来决定每条路径重要性，因此用翻译学习目标函数做模型的推断和预测。
图3为本发明一个实施例的基于图嵌入的统一协作过滤框架的结构图，基于图嵌入的统一协作过滤框架使用“相加”(ADD)操作来获得有序推荐路径的“嵌入”，然后应用一个“注意”机制计算选择路径的重要性。
基于图嵌入的统一协作过滤框架通过实体集ε和关系集
Figure GDA0003441493970000061
来学习，并将实体和关系编码嵌入低维空间。具体的，令
Figure GDA0003441493970000062
表示用户实体向量，
Figure GDA0003441493970000063
表示商品实体向量，
Figure GDA0003441493970000064
表示路径，对于每一个三元组
Figure GDA0003441493970000065
将有序推荐路径p看作两个实体向量
Figure GDA0003441493970000066
和
Figure GDA0003441493970000067
间的翻译向量
Figure GDA0003441493970000068
如果根据有序推荐路径p，
Figure GDA0003441493970000069
更倾向于
Figure GDA00034414939700000610
理想的结果是
Figure GDA00034414939700000611
这意味着按照某个距离度量d(·)，
Figure GDA00034414939700000612
应该距离
Figure GDA00034414939700000613
很近。如果三元组
Figure GDA00034414939700000614
有效，距离就会小；否则距离就会大。本发明使用欧几里得距离来衡量
Figure GDA00034414939700000615
和
Figure GDA00034414939700000616
间的距离，即如下定义：
Figure GDA00034414939700000617
对于一个对
Figure GDA00034414939700000618
给出全部连结
Figure GDA00034414939700000619
和
Figure GDA00034414939700000620
的有序推荐路径，
Figure GDA00034414939700000621
和
Figure GDA00034414939700000622
间的距离可以进一步写成：
Figure GDA00034414939700000623
其中
Figure GDA00034414939700000624
表示连结
Figure GDA00034414939700000625
和
Figure GDA00034414939700000626
的有序推荐路径集合。
本发明使用
Figure GDA00034414939700000627
来表示有序推荐路径p的重要性，计算方式如下：
Figure GDA00034414939700000628
其中
Figure GDA00034414939700000629
表示连接用户i和商品j的有序推荐路径p的重要性，p′表示所述有序推荐路径p中的任意一条路径。正式地，给出有序推荐路径p，定义一个组合操作来获得路径“嵌入”，写作
Figure GDA00034414939700000630
简便起见，为了获得p的表示，考虑相加操作来加和全部关系和实体向量，形式化表述如下：
Figure GDA0003441493970000071
其中
Figure GDA0003441493970000072
为商品的嵌入向量，
Figure GDA0003441493970000073
为路径的嵌入向量，
Figure GDA0003441493970000074
为所述用户购买一个商品的嵌入向量，
Figure GDA0003441493970000075
为所述用户在购买一个商品之前购买了另一个商品的嵌入向量。
通过这种方式，给出一个对集合
Figure GDA0003441493970000076
基于图嵌入的统一协作过滤框架的目标函数形式化表述如下：
Figure GDA0003441493970000077
其中，
Figure GDA0003441493970000078
表示所有的用户-商品键对集合，γ>0是边缘超参数，
Figure GDA0003441493970000079
为负样例，表示一个不同于
Figure GDA00034414939700000710
的用户，
Figure GDA00034414939700000711
表示
Figure GDA00034414939700000712
和
Figure GDA00034414939700000713
间的距离，
Figure GDA00034414939700000714
表示
Figure GDA00034414939700000715
和
Figure GDA00034414939700000716
间的距离，[x]+＝max(0；x)返回0和x之间的最大值，
Figure GDA00034414939700000717
是负样例组成的用户-商品键对三元组集合：
Figure GDA00034414939700000718
即对于每一个被观察的对
Figure GDA00034414939700000719
用其它某个通过相同分布采样得到的，没有连结到原来商品(或用户)实体
Figure GDA00034414939700000720
(或者
Figure GDA00034414939700000721
)来替代这个用户(或商品)。目标函数更倾向于低距离得分，因为有效三元组与无效三元组相比，实体“嵌入”上的l2-范数约束有助于避免训练过程通过人为地增加实体嵌入平凡地最小化L。
S103，选择对应于不同所述有序推荐路径的推荐算法：
推荐模型算法既包括有序也包括无序的方法，是基于图嵌入的统一协作过滤框架当
Figure GDA00034414939700000722
(没有翻译)，
Figure GDA00034414939700000723
(相等“注意”)和γ＝0(没有边缘损失)时的特例。每个推荐算法都与基于图嵌入的统一协作过滤框架的某个特定类型有序推荐路径对应。本发明中包括一阶矩阵分解、贝叶斯个性排序、分解马尔科夫链、混合推荐，具体的：
一阶矩阵分解：
展示基于图嵌入的统一协作过滤框架可以归纳为特定类型的无序方法，本发明只保留一阶有序推荐路径{r1}，则对于每个
Figure GDA00034414939700000724
对就只有一个有序推荐路径，进一步令
Figure GDA00034414939700000725
把这个精简模型称作UGrecmf，它的目标函数如下：
Figure GDA0003441493970000081
在基于图嵌入的统一协作过滤框架中，因为每个实体嵌入的l2-范数是1，所以目标函数进一步写作
Figure GDA0003441493970000082
在此情况下基于图嵌入的统一协作过滤框架将一个用户-商品交叉矩阵分解来最大化正用户-商品对的相似性，这里的用户-商品交叉矩阵是一个二进制矩阵。
贝叶斯个性排序(一阶)：
对于每一个对
Figure GDA0003441493970000083
如果采样一个负对
Figure GDA0003441493970000084
则将模型称作UGrecbpr，目标函数变成：
Figure GDA0003441493970000085
这样，UGrecbpr实际上与贝叶斯个性排序(BPR)类似，进行成对地学习来排序。
分解马尔科夫链(二阶)：
不考虑用户“嵌入”，只考虑商品转换，当令
Figure GDA0003441493970000086
时采用二阶路径
Figure GDA0003441493970000087
Figure GDA0003441493970000088
则具有这种新结构的基于图嵌入的统一协作过滤框架称作UGrecfmc，它的精简的目标函数如下：
Figure GDA0003441493970000089
其中
Figure GDA00034414939700000810
在此情况下，UGrecmc精简为分解马尔科夫链模型。
混和模型(三阶)：
在三阶路径下分析基于图嵌入的统一协作过滤框架的损失函数。特别地，本发明采取三阶路径
Figure GDA0003441493970000091
对于每一个对
Figure GDA0003441493970000092
本发明也采样一个负对
Figure GDA0003441493970000093
这个新的结构记作UGrec3，新的目标函数写作：
Figure GDA0003441493970000094
三阶路径p只包含一个商品实体
Figure GDA0003441493970000095
根据有序性
Figure GDA0003441493970000096
UGrec3也由两个关键部分组成，即用户和商品隐语义(latent factors)的内积，以及前后两个商品隐语义的内积。
S104，基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型：
选择不同有序推荐路径时设计不同的距离度量，S103的算法模型与基于图嵌入的统一协作过滤框架的特例完全相等。以矩阵分解为例，如果使用下面的距离度量来替代等式(1)，则根据等式(7)，矩阵分解可以被精确映射到1阶有序推荐路径
Figure GDA0003441493970000097
然而，考虑到框架的简洁性和通用性在这项工作中使用欧几里得距离作为唯一的距离度量来优化。基于上述分析，基于图嵌入的统一协作过滤框架有能力将几种已知的推荐方法包含在内，也能够包含更高阶推荐路径的通用框架。通过在不同推荐路径上应用“注意”机制，能够汇聚多个推荐模型的能力来产生最好的预测。
S105，训练基于图网络的推荐算法选择模型，得到推荐算法自动选择模型：
采取随机梯度下降(SGD)算法来最小化损失函数学习基于图嵌入的统一协作过滤框架的参数。对于每个实体来说，将“嵌入”的l2-范数约束为1，防止训练过程通过人工增长实体嵌入范数平凡地最小化损失。然后从要学习的训练集中随机选择一个有效的三元组。
对于每个对
Figure GDA0003441493970000101
来说，在图中有大量的路径。尽管定义了有序推荐路径来限制路径的数量，有效路径的数量仍然超出计算能力。因此在学习过程中，限制选出的有序推荐路径的阶数来近似原目标，考虑从图网络中挖掘出的4种类型的路径，如表1所示，最后一类的最大阶数是10。
表格1：有序推荐路径和传统推荐模型的关系。
Figure GDA0003441493970000102
采用“预热”(burn-in)训练策略使模型稳定：(1)在训练最初的nb轮迭代中，对于每个对
Figure GDA0003441493970000103
令
Figure GDA0003441493970000104
其中
Figure GDA0003441493970000105
是有序推荐路径的数量，例如，在最初的nb轮迭代中先让所有路径的重要性相等。(2)在“预热”阶段之后的迭代中，依据等式(3)来计算每个有序推荐路径的重要性。
S106，使用所述推荐算法自动选择模型选择推荐算法，依据所述推荐算法向用户推荐商品信息：
通过学得的实体和关系，给出一个用户
Figure GDA0003441493970000106
和一个候选商品
Figure GDA0003441493970000107
依据等式(2)计算
Figure GDA0003441493970000108
然后通过降序排列商品的距离来构造前N推荐列表，从推荐列表中选择合适的商品信息向用户推荐。
以下为本发明一个更具体的实施例：
采集某购物网站上的用户购物信息，购物信息中包含袜子、鞋子、肥皂和食用油等，对由这些用户购物信息构成的数据集进行挖掘、分类和特征定义并定义有序推荐路径；使用注意机制分析所有所述有序推荐路径的重要性，使用相加操作实现所述有序推荐路径的嵌入，得到基于图嵌入的统一协作过滤框架的目标函数；选择对应于不同所述有序推荐路径的推荐算法，如一阶矩阵分解、贝叶斯个性排序、分解马尔科夫链、混合推荐；基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型；训练基于图网络的推荐算法选择模型，得到推荐算法自动选择模型；将所述自动选择模型应用于线上，动态收集用户的购物信息并结合历史购物信息根据不同用户和商品的关系对推荐算法进行排序，根据排序结果选择更靠近前列的推荐算法，从而保证结果更加精准高效；使用上一步选择的推荐算法向用户推荐商品信息，可采用商品信息展示页展示、检索页插入、邮件推送等方式向用户推荐具体商品信息。
此外基于同一发明构思，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述的方法。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图网络的商品信息推荐方法，其特征在于，包括：
定义有序推荐路径；
使用注意机制分析所述有序推荐路径的重要性，使用相加操作实现所述有序推荐路径的嵌入，得到基于图嵌入的统一协作过滤框架的目标函数；
选择对应于不同所述有序推荐路径的推荐算法；
基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型；
训练基于图网络的推荐算法选择模型，得到推荐算法自动选择模型；
使用所述推荐算法自动选择模型选择推荐算法，依据所述推荐算法向用户推荐商品信息；
其中，所述定义有序推荐路径，具体包括：
定义三元组
Figure FDA0003441493960000011
Figure FDA0003441493960000012
和
Figure FDA0003441493960000013
分别表示第i个用户和第j个商品，p代表连结用户
Figure FDA0003441493960000014
和商品
Figure FDA0003441493960000015
的有序推荐路径，
Figure FDA0003441493960000016
r1表示用户购买一个商品，r2表示用户在购买一个商品之前购买了另一个商品，
Figure FDA0003441493960000017
表示用户在购买商品
Figure FDA0003441493960000018
之前买的商品；
其中，所述相加操作具体包括公式：
Figure FDA0003441493960000019
其中
Figure FDA00034414939600000110
为商品的嵌入向量，
Figure FDA00034414939600000111
为路径的嵌入向量，
Figure FDA00034414939600000112
为所述用户购买一个商品的嵌入向量，
Figure FDA00034414939600000113
为所述用户在购买一个商品之前购买了另一个商品的嵌入向量；
其中，所述基于图嵌入的统一协作过滤框架的目标函数具体包括：
Figure FDA00034414939600000114
其中，
Figure FDA00034414939600000125
表示所有的用户-商品键对集合，γ>0是边缘超参数，
Figure FDA00034414939600000115
为负样例，表示一个不同于
Figure FDA00034414939600000116
的用户，
Figure FDA00034414939600000117
表示
Figure FDA00034414939600000118
和
Figure FDA00034414939600000119
间的距离，
Figure FDA00034414939600000120
表示
Figure FDA00034414939600000121
和
Figure FDA00034414939600000122
间的距离，[x]+＝max(0；x)返回0和x之间的最大值，
Figure FDA00034414939600000123
是负样例组成的用户-商品键对三元组集合
Figure FDA00034414939600000124
2.根据权利要求1所述的基于图网络的商品信息推荐方法，其特征在于，所述有序推荐路径中的任意两个商品遵守唯一性和有序性，其中：
定义
Figure FDA0003441493960000021
表示用户
Figure FDA0003441493960000022
购买商品
Figure FDA0003441493960000023
的时间；所述有序推荐路径中的任意两个商品表示为
Figure FDA0003441493960000024
所述唯一性为：
Figure FDA0003441493960000025
p两次经过相同商品，属于不同的购买行为；
所述有序性为：
Figure FDA0003441493960000026
p在经过
Figure FDA0003441493960000027
之前经过了
Figure FDA0003441493960000028
则
Figure FDA0003441493960000029
先于
Figure FDA00034414939600000210
被购买。
3.根据权利要求2所述的基于图网络的商品信息推荐方法，其特征在于，所述注意机制具体包括公式：
Figure FDA00034414939600000211
其中
Figure FDA00034414939600000212
表示连接用户i和商品j的有序推荐路径p的重要性，p′表示所述有序推荐路径p中的任意一条路径。
4.根据权利要求1所述的基于图网络的商品信息推荐方法，其特征在于，所述基于图嵌入的统一协作过滤框架的目标函数使用欧几里得距离作为唯一的距离度量。
5.根据权利要求1所述的基于图网络的商品信息推荐方法，其特征在于，所述推荐算法具体包括如下中的一种或多种：一阶矩阵分解、贝叶斯个性排序、分解马尔科夫链、混合推荐。
6.根据权利要求1所述的基于图网络的商品信息推荐方法，其特征在于，所述训练基于图网络的推荐算法选择模型的过程采用预热训练策略。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任意一项所述的方法。
CN201910598915.XA 2019-05-23 2019-07-04 基于图网络的商品信息推荐方法及电子设备 Expired - Fee Related CN110457572B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019104323175 2019-05-23
CN201910432317 2019-05-23

Publications (2)

Publication Number Publication Date
CN110457572A CN110457572A (zh) 2019-11-15
CN110457572B true CN110457572B (zh) 2022-05-24

Family

ID=68482112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910598915.XA Expired - Fee Related CN110457572B (zh) 2019-05-23 2019-07-04 基于图网络的商品信息推荐方法及电子设备

Country Status (1)

Country Link
CN (1) CN110457572B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920129A (zh) * 2017-03-09 2017-07-04 山东师范大学 一种基于眼动追踪的网络广告效果测评系统及其方法
CN108170755A (zh) * 2017-12-22 2018-06-15 西安电子科技大学 基于三元组深度网络的跨模态哈希检索方法
CN108345837A (zh) * 2018-01-17 2018-07-31 浙江大学 一种基于人体区域对齐化特征表达学习的行人再识别方法
CN108446374A (zh) * 2018-03-16 2018-08-24 北京三快在线科技有限公司 用户意图预测方法、装置、电子设备、存储介质
CN108877801A (zh) * 2018-06-14 2018-11-23 南京云思创智信息科技有限公司 基于多模态情绪识别系统的多轮对话语义理解子系统
CN109508654A (zh) * 2018-10-26 2019-03-22 中国地质大学（武汉） 融合多任务和多尺度卷积神经网络的人脸分析方法及系统
CN109635079A (zh) * 2018-10-25 2019-04-16 北京中关村科金技术有限公司 一种用户意图的确定方法、装置、计算机设备和存储介质
CN109784197A (zh) * 2018-12-21 2019-05-21 西北工业大学 基于孔洞卷积与注意力学习机制的行人再识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106920129A (zh) * 2017-03-09 2017-07-04 山东师范大学 一种基于眼动追踪的网络广告效果测评系统及其方法
CN108170755A (zh) * 2017-12-22 2018-06-15 西安电子科技大学 基于三元组深度网络的跨模态哈希检索方法
CN108345837A (zh) * 2018-01-17 2018-07-31 浙江大学 一种基于人体区域对齐化特征表达学习的行人再识别方法
CN108446374A (zh) * 2018-03-16 2018-08-24 北京三快在线科技有限公司 用户意图预测方法、装置、电子设备、存储介质
CN108877801A (zh) * 2018-06-14 2018-11-23 南京云思创智信息科技有限公司 基于多模态情绪识别系统的多轮对话语义理解子系统
CN109635079A (zh) * 2018-10-25 2019-04-16 北京中关村科金技术有限公司 一种用户意图的确定方法、装置、计算机设备和存储介质
CN109508654A (zh) * 2018-10-26 2019-03-22 中国地质大学（武汉） 融合多任务和多尺度卷积神经网络的人脸分析方法及系统
CN109784197A (zh) * 2018-12-21 2019-05-21 西北工业大学 基于孔洞卷积与注意力学习机制的行人再识别方法

Also Published As

Publication number Publication date
CN110457572A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
Heiss Structural choice analysis with nested logit models
CN105868847A (zh) 一种购物行为的预测方法及装置
CN106251174A (zh) 信息推荐方法及装置
CN110008397B (zh) 一种推荐模型训练方法及装置
CN111461841A (zh) 物品推荐方法、装置、服务器及存储介质
CN115860880B (zh) 基于多层异质图卷积模型的个性化商品推荐方法及系统
Mikeli et al. A multi-criteria recommendation method for interval scaled ratings
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
US9324026B2 (en) Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
CN115392947A (zh) 需求量预测方法以及装置
Zhou et al. A novel approach to solve the sparsity problem in collaborative filtering
CN106600360B (zh) 推荐对象的排序方法及装置
CN111680213B (zh) 信息推荐方法、数据处理方法及装置
Hassan et al. Performance analysis of neural networks-based multi-criteria recommender systems
Xue et al. Intelligent mining on purchase information and recommendation system for e-commerce
CN112541806A (zh) 一种基于异质信息网络的推荐方法及装置
CN110457572B (zh) 基于图网络的商品信息推荐方法及电子设备
Zhang et al. Multi-view dynamic heterogeneous information network embedding
Ren et al. A co-attention based multi-modal fusion network for review helpfulness prediction
CN113327154B (zh) 基于大数据的电商用户讯息推送方法及系统
Maiti et al. An EOQ model of an item with imprecise seasonal time via genetic algorithm
CN115238188A (zh) 一种对象推荐方法和系统及对象推荐模型系统
Farsani et al. A semantic recommendation procedure for electronic product catalog
Yin et al. A cold-start recommendation algorithm based on new user's implicit information and multi-attribute rating matrix

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220524