CN111695965B - 基于图神经网络的产品筛选方法、系统及设备 - Google Patents
基于图神经网络的产品筛选方法、系统及设备 Download PDFInfo
- Publication number
- CN111695965B CN111695965B CN202010340665.2A CN202010340665A CN111695965B CN 111695965 B CN111695965 B CN 111695965B CN 202010340665 A CN202010340665 A CN 202010340665A CN 111695965 B CN111695965 B CN 111695965B
- Authority
- CN
- China
- Prior art keywords
- product
- information vector
- vector
- score
- user
- 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.)
- Active
Links
- 238000012216 screening Methods 0.000 title claims abstract description 136
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 406
- 230000006399 behavior Effects 0.000 claims description 90
- 230000003993 interaction Effects 0.000 claims description 31
- 238000004220 aggregation Methods 0.000 claims description 26
- 230000002776 aggregation Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 14
- 230000004931 aggregating effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 abstract description 16
- 239000000047 product Substances 0.000 description 421
- 239000011159 matrix material Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000013604 expression vector Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例涉及商品智能化推荐技术领域，公开了基于图神经网络的产品筛选方法、系统及设备。本发明实施例先获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；将第一产品信息向量与第一用户信息向量输入至第一预设产品筛选模型，输出第一分值；基于第一分值确定对应的目标产品信息。明显地，本发明实施例可将产品信息向量转换为用户信息向量进行表征，还将根据用户信息向量转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值确定。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，使得建模较为充分，自然也就提高了产品推荐的准确性，解决了推荐准确性较低的技术问题。
Description
技术领域
本发明涉及商品智能化推荐技术领域，尤其涉及基于图神经网络的产品筛选方法、系统及设备。
背景技术
随着电子商务平台的不断发展，产生了海量的买家与商品间的交互信息。
其中，电子商务平台包括电子购物网站等。
其中，交互信息包括有购买行为，当然，还包括用户与商品之间的其他类型的交互信息，比如，点击行为、加入购物车行为、收藏行为及分享行为等。
如何最大化地使用上述的海量交互信息，并准确地为用户提供推荐服务已经成为了非常重要的问题。
目前，推荐模型有不区分多行为数据的推荐模型。
就不区分多行为数据的推荐模型而言，还可细分为传统建模方法和深度建模方法。
就传统建模方法而言，将利用协同过滤进行商品的推荐，而且，仅使用目标行为作为训练数据或者所有的行为在使用时不加区分。
具体地，可为给每个用户、商品分别分配一个待学习的表示向量，比如，将现有的交互信息表示成用户个数×商品个数的矩阵，接着，使用矩阵分解的方法得到每个用户、商品的表示向量，再利用得到的表示向量通过内积计算的方法得到用户、商品之间的预测值。
明显地，传统建模方法过于简单，表征能力较弱，并不能充分使用海量数据。
就深度建模方法而言，以神经协同过滤(NCF，Neural Collaborativ eFiltering)为代表的深度模型可将多层感知机或更加复杂的深度神经网络结构引入到了推荐系统中来，以对用户和商品的交互行为进行建模，同样，仅使用目标行为或者所有的行为在使用时不加区分。
明显地，深度建模方法在数据量较大时，一般可以学习到非常丰富的用户、行为表示信息，因而，能够取得不错的线下推荐效果。
但是，不论是传统建模方法还是没有特殊设计的深度建模方法，均未更加深入地挖掘交易信息以完成建模操作；同时，会产生信息丢失的问题。
所以，可认为，当前的推荐模型并未深入地挖掘交易信息以完成建模操作，从而导致搭建出的模型无法达到较高的推荐准确性。
发明内容
为了解决搭建出的模型推荐准确性较低的技术问题，本发明实施例提供基于图神经网络的产品筛选方法、系统及设备。
第一方面，本发明实施例提供一种基于图神经网络的产品筛选方法，包括：
获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；
将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；
基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。
优选地，所述将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值，具体包括：
通过第一预设产品筛选模型对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量，其中，所述当前产品节点对应的产品为所述当前用户发起当前行为的产品；
对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量；
对与当前用户节点对应的第一用户信息向量进行聚合，以得到第二产品信息向量；
对所述第二用户信息向量与所述第二产品信息向量进行内积，以得到第一分值。
优选地，所述通过第一预设产品筛选模型对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量之前，所述基于图神经网络的产品筛选方法还包括：
根据与当前行为对应的行为系数及用户行为交互数量确定与所述当前行为对应的传递系数，其中，所述用户行为交互数量与所述传递系数均与当前用户对应；
相应地，所述对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量，具体包括：
基于传递系数对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量。
优选地，所述对所述第二用户信息向量与所述第二产品信息向量进行内积，以得到第一分值，具体包括：
对所述第二用户信息向量进行拼接，以得到用户拼接向量；
对所述第二产品信息向量进行拼接，以得到第一产品拼接向量；
对所述用户拼接向量与所述第一产品拼接向量进行内积，以得到第一分值。
优选地，所述将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值之后，所述基于图神经网络的产品筛选方法还包括：
获取邻居产品节点对应的邻居产品信息向量；
将所述邻居产品信息向量输入至第二预设产品筛选模型，得到所述第二预设产品筛选模型输出的第二分值；
相应地，所述基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息，具体包括：
对所述第一分值与所述第二分值进行求和，以得到第三分值；
根据所述第三分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第二预设产品筛选模型是基于邻居产品向量样本与第二分值样本训练得到的；所述第二预设产品筛选模型用于确定与所述邻居产品信息向量对应的第三产品信息向量，并基于所述邻居产品信息向量与所述第三产品信息向量确定第二分值。
优选地，所述获取邻居产品节点对应的邻居产品信息向量，具体包括：
确定与目标产品节点对应的邻居产品节点；
获取与所述邻居产品节点对应的邻居产品信息向量；
相应地，所述将所述邻居产品信息向量输入至第二预设产品筛选模型，得到所述第二预设产品筛选模型输出的第二分值，具体包括：
通过第二预设产品筛选模型对所述邻居产品信息向量进行聚合，以得到与所述目标产品节点对应的第三产品信息向量；
对所述邻居产品信息向量与所述第三产品信息向量进行内积，以得到第二分值。
优选地，所述对所述邻居产品信息向量与所述第三产品信息向量进行内积，以得到第二分值，具体包括：
对所述邻居产品信息向量进行拼接，以得到邻居产品拼接向量；
对所述第三产品信息向量进行拼接，以得到第二产品拼接向量；
基于预设内积公式对所述邻居产品拼接向量与所述第二产品拼接向量进行内积，以得到第二分值。
第二方面，本发明实施例提供一种基于图神经网络的产品筛选系统，包括：
向量获取模块，用于获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；
模型运行模块，用于将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；
产品确定模块，用于基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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本发明第一方面提供的一种基于图神经网络的产品筛选方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面提供的一种基于图神经网络的产品筛选方法的步骤。
本发明实施例提供的基于图神经网络的产品筛选方法、系统及设备，先获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。明显地，本发明实施例给出了一类预设产品筛选模型的使用方式，可根据产品对应的产品信息向量生成对应的用户信息向量，即转换为用户信息向量进行表征；同理地，还可根据用户信息向量生成对应的产品信息向量，即转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值的确定操作。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，增强了模型的表征能力，使得建模较为充分，可体现节点之间的潜在关系，自然也就提高了产品推荐的准确性，解决了推荐模型推荐准确性较低的技术问题。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的一种基于图神经网络的产品筛选方法的流程图；
图2为本发明又一实施例提供的一种基于图神经网络的产品筛选方法的流程图；
图3为本发明再一实施例提供的一种基于图神经网络的产品筛选方法的流程图；
图4为本发明实施例提供的一种基于图神经网络的产品筛选系统的结构示意图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种基于图神经网络的产品筛选方法的流程图，如图1所示，该方法包括：
S1，获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量。
目前，推荐模型不仅有不区分多行为数据的推荐模型，还有区分多行为数据的推荐模型。
就区分多行为数据的推荐模型而言，还可细分为将多行为使用到采样中的推荐系统与将多行为使用到模型中的推荐系统。
就将多行为使用到采样中的推荐系统而言，需要人为设定行为的强度顺序，某种程度上限制了面向多行为数据的挖掘操作，从而产生了一定的信息损失。另一方面，该推荐系统只是在采样过程中加入了多行为信息，并不改变模型的设计，因而，表达能力仍然有限。
就将多行为使用到模型中的推荐系统而言，将多行为数据应用到了模型的构造过程中，设计了一定的结构进行多行为的捕捉。一般地，这类模型都会假设目标行为为强度最高的行为，并将模型的最终输出作为目标行为的预测分数。但是，该类推荐系统虽然在模型中对多行为进行了建模，但是仍然进行了行为强度顺序的人为假设。虽然可取得比较好的线下预测效能，但是，仍然存在着信息损失的问题。
综上可见，不区分多行为数据的推荐模型与区分多行为数据的推荐模型这两类推荐模型均未深入地挖掘交易信息以完成建模操作，从而导致搭建出的模型无法达到较高的推荐准确性。
可以理解的是，正是考虑到推荐模型推荐准确性较低的技术问题，本实施例将提供一类预设产品筛选模型的使用方式，该第一预设产品筛选模型即起到推荐模型之用。
在具体实现中，第一预设产品筛选模型的输入可为用户与产品之间的交互信息，该交互信息可来自电商平台。
此外，该交互信息中包括有用户相关信息与产品相关信息，可更细化为，当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量。
S2，将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值。
在具体实现中，第一预设产品筛选模型对应的第一图神经网络可包括着产品节点与用户节点，当前节点对应着当前产品节点，当前用户对应着当前用户节点。
就该模型的功能而言，比如，可通过聚合操作将产品对应的产品信息向量聚合在一起，最终，以用户信息向量进行表征，比如，生成第二用户信息向量；同理地，还可对用户信息向量进行聚合，最终，以产品信息向量进行表征，比如，生成第二产品信息向量。
然后，以聚合后的信息向量进行分值的确定操作，确定出第一分值。
可见，该模型深入挖掘了交易信息中隐含的用户与商品之间的关联性，增强了模型的表征能力，使得建模较为充分，可体现节点之间的潜在关系，自然也就提高了最终产品推荐的准确性，解决了推荐模型推荐准确性较低的技术问题。
S3，基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息。
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。
接着，可设定一个分值范围，将分值落入该分值范围内的产品认定为目标产品，并将目标产品的目标产品信息推送给用户或者在显示界面进行显示，以完成产品的推荐行为。
其中，产品信息向量样本作为模型输入量为产品信息向量的样本数据，用户信息向量样本作为模型输入量为用户信息向量的样本数据，第一分值样本作为模型输出量为分值的样本数据。
本发明实施例提供的基于图神经网络的产品筛选方法，先获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。明显地，本发明实施例给出了一类预设产品筛选模型的使用方式，可根据产品对应的产品信息向量生成对应的用户信息向量，即转换为用户信息向量进行表征；同理地，还可根据用户信息向量生成对应的产品信息向量，即转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值的确定操作。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，增强了模型的表征能力，使得建模较为充分，可体现节点之间的潜在关系，自然也就提高了产品推荐的准确性，解决了推荐模型推荐准确性较低的技术问题。
图2为本发明又一实施例提供的一种基于图神经网络的产品筛选方法的流程图，本发明又一实施例基于上述图1所示的实施例。
本实施例中，所述S2，具体包括：
S21，通过第一预设产品筛选模型对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量，其中，所述当前产品节点对应的产品为所述当前用户发起当前行为的产品。
具体地，将以用户、产品为节点，不同的交互行为为边来构建二部图。其中，交互行为包括购买行为、点击行为、加入购物车行为、收藏行为及分享行为等。
而且，还可为每一个用户即每一个用户节点分配一个待学习的特征向量pu，为每一个产品即每一个产品节点分配一个待学习的特征向量qv。
接着，本实施例将基于第一预设产品筛选模型对应的第一图神经网络进行分值确定，第一图神经网络对应于该二部图，第一图神经网络中包括用户节点与产品节点，产品节点即为商品节点，第一图神经网络中的边表示不同类型的交互行为。
应当理解的是，若某一个产品被用户以相同行为进行了交互，比如，产品A被大量用户点击，或者，产品A被大量用户收藏等，则可假定用户的反映程度是相似的。接着，可将被用户以相同行为进行过交互的产品聚合在一起。
产品聚合方式，具体为，对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量。
其中，第一产品信息向量为产品节点本身的节点特征向量，可记为邻居信息聚合向量，可记为/>
进一步地，至于产品聚合方式，可采用加权求和方式进行向量聚合，以得到其中，加权求和公式如下，
其中，表示邻居信息聚合向量，l表示第一图神经网络的网络层级；aggregate(·)表示聚合函数；/>表示第一产品信息向量；/>表示与当前用户u进行过交互行为t的产品的集合，t表示某个类型的交互行为。
可见，通过聚合操作可将被用户以某个类型的相同行为进行过交互的产品聚合在一起，并以一个特殊的向量进行表征，即
S22，对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量。
然后，可对邻居信息聚合向量进行累加操作，以得到第二用户信息向量/>
进一步地，若通过加权求和方式进行向量聚合从而得到可再利用全连接网络强大的表示能力对该聚合结果进行信息提取，从而得到下一层的用户信息向量，可记为第二用户信息向量/>
该信息提取操作即为上述累加操作，信息提取公式可具体为，
其中，W(l)表示待学习矩阵，为第一预设产品筛选模型的模型参数；为传播结果，也就是下一层的表示向量；Nr表示所有行为的集合，t表示遍历到的一项行为，比如，购买行为、点击行为或加购物车行为等；αut表示每一种行为对于提取用户行为兴趣的权重值。
S23，对与当前用户节点对应的第一用户信息向量进行聚合，以得到第二产品信息向量。
可以理解的是，通过S21-S22可得到第二用户信息向量通过S23可得到第二产品信息向量/>
具体地，第一用户信息向量为用户节点本身对应的特征向量，可记为通过聚合操作可聚合商品对应的邻居用户的信息向量，以得到第二产品信息向量/>
进一步地，聚合操作可具体为求平均聚合操作，具体公式如下，
其中，W(l)表示待学习矩阵，aggregate(·)表示聚合函数，为传播结果，也就是下一层的表示向量，NU(i)表示交互过商品i的用户集合。
S24，对所述第二用户信息向量与所述第二产品信息向量进行内积，以得到第一分值。
最终，可同时根据第二用户信息向量与第二产品信息向量进行分值确定操作，以得到第一分值。
本发明实施例提供的基于图神经网络的产品筛选方法，给出了一类第一预设产品筛选模型的具体使用方式，可通过聚合操作将被用户以某个类型的相同行为进行过交互的产品聚合在一起，最终，以用户信息向量进行表征；同理地，还可对用户信息向量进行聚合，最终，以产品信息向量进行表征。然后，以聚合后的信息向量进行分值的确定操作。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，增强了模型的表征能力，最终也提高了产品推荐的准确性。
在上述实施例的基础上，优选地，所述通过第一预设产品筛选模型对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量之前，所述基于图神经网络的产品筛选方法还包括：
根据与当前行为对应的行为系数及用户行为交互数量确定与所述当前行为对应的传递系数，其中，所述用户行为交互数量与所述传递系数均与当前用户对应；
相应地，所述对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量，具体包括：
基于传递系数对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量。
在具体实现中，可引入行为系数wt，用于表示待学习的行为t即当前行为的重要程度；还可引入用户行为交互数量nut，用于表示电子平台记录下的用户u的行为t的交互历史个数，比如，若用户甲购买过10个商品，电子平台记录下的用户甲的购买行为的交互历史个数为10。
接着，可根据反应行为重要程度的wt与反应行为稀疏度的nut来确定每个行为的传递系数αut,其中，传递系数确定公式如下，
可见，该传递系数为产品向用户传递的系数。
此外，从传递系数确定公式中可看出，交互数量nut相似且行为重要性wt较大的行为，αut系数更大，也就是说，后续该行为被使用到的几率会更高，这也符合设想1。
其中，设想1为，用户的不同行为存在一种宏观上的强度，或者说，不同行为存在着不同的贡献度，并且，这种强度可通过数据进行自学习，而不是人为的进行设定。
此外，行为重要性wt相似且交互数量nut较大的行为，αut系数更大，这也符合设想2。
其中，设想2为，交互数量更多的行为更能体现出用户的兴趣特性，并能够解决目标行为不足时的冷启动问题。
本发明实施例提供的基于图神经网络的产品筛选方法，对于不同行为的不同贡献度将进行自学习，而非人为设定，从而可规避一定的信息损失。同时，本实施例可解决在行为数据的体量不足时的冷启动问题。
在上述实施例的基础上，优选地，所述对所述第二用户信息向量与所述第二产品信息向量进行内积，以得到第一分值，具体包括：
对所述第二用户信息向量进行拼接，以得到用户拼接向量；
对所述第二产品信息向量进行拼接，以得到第一产品拼接向量；
对所述用户拼接向量与所述第一产品拼接向量进行内积，以得到第一分值。
在具体实现中，可对于第二用户信息向量与第二产品信息向量/>可分别进行拼接操作，再进行内积操作。
具体地，在得到体现用户、产品的邻居信息聚合向量后，可基于相邻层进行传播，最终，可将不同层得到的信息向量进行拼接以得到最终的表示向量，最终的表示向量分别为用户拼接向量与第一产品拼接向量。其中，拼接操作可参见下式，
其中，表示用户拼接向量，/>表示第一产品拼接向量；/>表示用户原始特征，包括有用户标识等；/>表示产品原始特征；/>表示不同层的第二用户信息向量，L为正整数；/>不同层的第二产品信息向量，L为正整数。
可见，表征出了面向用户的协同过滤结果，/>表征出了面向产品的协同过滤结果。
最终，可进行显性打分。
具体地，在得到与/>进行内积操作，内积操作对应的公式如下，
其中，y1(u,i)表示第一分值。
本发明实施例提供的基于图神经网络的产品筛选方法，给出了一类更具体的分值确定方式。
图3为本发明再一实施例提供的一种基于图神经网络的产品筛选方法的流程图，本发明再一实施例基于上述图1所示的实施例。
本实施例中，所述S2之后，所述基于图神经网络的产品筛选方法还包括：
S25，获取邻居产品节点对应的邻居产品信息向量。
本实施例为了挖掘产品之间的关系，可先以行为类型t为例，确定与目标产品节点对应的邻居产品节点。
其中，目标产品节点对应i；邻居产品节点可记为表示与目标产品i有过共同交互行为t的产品所组成的集合。
S26，将所述邻居产品信息向量输入至第二预设产品筛选模型，得到所述第二预设产品筛选模型输出的第二分值。
在具体实现中，第二预设产品筛选模型对应的第二图神经网络包括着产品节点。
就该模型的功能而言，可通过聚合操作将某个产品对应的邻居产品的产品信息向量即邻居产品信息向量聚合在一起，最终，以产品信息向量进行表征，比如，生成第三产品信息向量。
然后，以聚合后的信息向量进行分值的确定操作，比如，处理该邻居产品信息向量与该第三产品信息向量以得出第二分值。
相应地，所述S3，具体包括：
S31，对所述第一分值与所述第二分值进行求和，以得到第三分值。
最终，可使用第一图卷积神经网络对应的第一分值与第二图卷积神经网络对应的第二分值进行联合评分，求和操作公式可参见下式，
y(u,i)＝y1(u,i)+y2(u,i)
其中，y(u,i)表示第三分值，y1(u,i)表示第一分值，y2(u,i)表示第二分值。
S32，根据所述第三分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息。
其中，所述第二预设产品筛选模型是基于邻居产品向量样本与第二分值样本训练得到的；所述第二预设产品筛选模型用于确定与所述邻居产品信息向量对应的第三产品信息向量，并基于所述邻居产品信息向量与所述第三产品信息向量确定第二分值。
可见，将使用两类挖掘结果对应的评分来进行产品推荐行为。
其中，邻居产品向量样本作为模型输入量为邻居产品信息向量的样本数据，第二分值样本作为模型输出量为分值的样本数据。
本发明实施例提供的基于图神经网络的产品筛选方法，给出了一类第二预设产品筛选模型的使用方式，可根据邻居产品信息向量生成对应的产品信息向量，即转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值的确定操作。可见，该模型使用方式在已应用第一图卷积神经网络的基础上，通过应用第二图卷积神经网络深入挖掘了产品彼此之间的关系，增强了模型的表征能力，自然也就大大提高了推荐行为的精确性。
在上述实施例的基础上，优选地，所述获取邻居产品节点对应的邻居产品信息向量，具体包括：
确定与目标产品节点对应的邻居产品节点；
获取与所述邻居产品节点对应的邻居产品信息向量；
相应地，所述将所述邻居产品信息向量输入至第二预设产品筛选模型，得到所述第二预设产品筛选模型输出的第二分值，具体包括：
通过第二预设产品筛选模型对所述邻居产品信息向量进行聚合，以得到与所述目标产品节点对应的第三产品信息向量；
对所述邻居产品信息向量与所述第三产品信息向量进行内积，以得到第二分值。
可以理解的是，该预设产品筛选模块中除了应用第一图卷积神经网络外，还可应用第二图卷积神经网络。
注意区别的是，第一图卷积神经网络中包括用户节点与产品节点，第二图卷积神经网络中包括产品节点。
可见，本实施例通过应用第二图卷积神经网络可深入挖掘产品之间的关系。具体地，为了构建异构图，可将产品作为节点，若某一个用户以某一行为共同交互两个产品，则可在这两个产品之间构建与此行为对应的边。
为了挖掘产品之间的关系，可先以行为类型t为例，确定与目标产品节点对应的邻居产品节点。
其中，目标产品节点对应i；邻居产品节点可记为表示与目标产品i有过共同交互行为t的产品所组成的集合。
接着，可确定与邻居产品节点对应的邻居产品信息向量/>
然后，可对邻居产品信息向量进行聚合，聚类操作对应的聚类公式如下，
其中，表示第三产品信息向量，/>表示待学习矩阵，aggregate(·)表示聚合函数。
其中，为传播聚合的结果，也就是下一层的表示向量。
可以理解的是，以行为类型t为例，本实施例可给每一个产品i分配一个初始的待学习的相关信息向量sit，然后，利用数量等于行为种类数的图神经网络来学习这种相关性信息，使用传播机制进行邻居信息的抽取，以达到获取学习后的相关信息向量sit的目的。
其中，l表示图卷积神经网络的网络层级。
然后，可基于邻居产品信息向量与第三产品信息向量进行内积操作，以确定出第二分值y2(u,i)的数值。
本发明实施例提供的基于图神经网络的产品筛选方法，给出了一类第二预设产品筛选模型的具体使用方式，除了应用第一图卷积神经网络之外，还可通过应用第二图卷积神经网络深入挖掘产品之间的关系。同时通过这两类挖掘结果进行产品的推荐行为，大大提高了推荐行为的精确性。
其中，就第二预设产品筛选模型的具体使用方式而言，可将产品对应的产品信息向量聚合在一起，最终，以产品信息向量进行表征。然后，以聚合后的信息向量进行分值的确定操作。
可见，第一图卷积神经网络与第二图卷积神经网络均可通过网络传播加聚合的方式来得到邻居节点的信息，可提升推荐服务的性能。
在上述实施例的基础上，优选地，所述对所述邻居产品信息向量与所述第三产品信息向量进行内积，以得到第二分值，具体包括：
对所述邻居产品信息向量进行拼接，以得到邻居产品拼接向量；
对所述第三产品信息向量进行拼接，以得到第二产品拼接向量；
基于预设内积公式对所述邻居产品拼接向量与所述第二产品拼接向量进行内积，以得到第二分值。
在具体实现中，可先将不同层传播聚合得到的商品相关性向量即第三产品信息向量拼接，得到最终的商品相关性表示向量即第二产品拼接向量/>可具体下式，
当然，同理，还可对邻居产品信息向量进行拼接，以得到邻居产品拼接向量/>
可以理解的是，在对用户u和产品i的交互可能性进行分值确定时，考虑到产品i和用户u可能曾经有过以交互过的产品为媒介的关联，针对这一考虑，可认为共同交互行为可能隐含着产品之间的某种关联性，比如，被频繁共同购买的商品可能存在着互补关系，被频繁共同点击的商品可能存在着替代关系。
因而，在进行分值确定时，可评估用户已经交互过的产品与待预测产品之间是否存在这种基于多行为的关联性。
在具体实现中，可引用如下的预设内积公式确定第二分值，
其中，y2(u,i)表示第二分值，Mt表示行为t的待学习评分矩阵，表示用户u产生过第t种类型交互的商品集合。
可见，第二评分可反映待打分商品与用户曾经交互过商品之间的相关性。
进一步地，还可基于采样的正负样本进行模型的学习与优化。
具体地，对于平台已有交互记录(u,i)，可从剩余的没有与用户u进行过交互的商品中随机抽取出一个，并记为j，以构建训练样本对(u,i,j)；并将所有训练样本对组成的集合记为O。
具体优化函数如下，
其中，Loss表示损失值，Θ表示模型中所有参数，σ(·)表示sigmoid函数，y(u,i)、y(u,j)表示分值；β表示一个权重系数，表示着||Θ||2的权重，该权重系数可为一个人工调整的超参数。
本发明实施例可提供一类基于实际数据的具体实施例。
该具体实施例具体为，使用者可使用2017年11月25日到2017年12月3日某电商平台的用户-商品交互记录，以构建基于多行为的目标行为推荐模型。
数据集相关统计如下：
在上述统计中，用户数目决定了模型参数量的大小，用户相关的模型参数以矩阵的形式存在，矩阵的维度为用户数量乘以隐空间维度，商品与之同理。经过划分后的行为记录的数目则决定了训练与测试样本个数的大小。
具体步骤为，首先构建训练数据，将数据集中所有种类交互数量和小于5的用户删去，以保证数据集的划分。
接着，将目标行为按照4:1划分为训练集和测试集。
然后，选用Adam优化器作为随机梯度下降的优化器，学习率根据数据集的大小在[1e-2,3e-3,1e-3,3e-4,1e-4,3e-5,1e-5,3e-6,1e-6]中进行选择。
由于模型可能会产生过拟合的问题，可对所有待学习矩阵引入正则项以防止过拟合，其中，正则项系数在[1e-1,1e-2,1e-3,1e-4,1e-5,1e-6,1e-7,1e-8]中进行搜索。
此外，对于与模型容量密切相关的隐空间维度，可在[8,16,32,64,128,256,512]中进行搜索选择。
而且，可使用早停(Early Stopping)机制在出现过拟合时停止训练，以保证模型达到最佳性能，并将参数组合选作最佳参数组合。
图4为本发明实施例提供的一种基于图神经网络的产品筛选系统的结构示意图，如图4所示，该系统包括：向量获取模块301、模型运行模块302及产品确定模块303；
向量获取模块301，用于获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；
模型运行模块302，用于将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；
产品确定模块303，用于基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。
本发明实施例提供的基于图神经网络的产品筛选系统，先获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。明显地，本发明实施例给出了一类预设产品筛选模型的使用方式，可根据产品对应的产品信息向量生成对应的用户信息向量，即转换为用户信息向量进行表征；同理地，还可根据用户信息向量生成对应的产品信息向量，即转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值的确定操作。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，增强了模型的表征能力，使得建模较为充分，可体现节点之间的潜在关系，自然也就提高了产品推荐的准确性，解决了推荐模型推荐准确性较低的技术问题。
本发明实施例提供的系统实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：
获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；
将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；
基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；
将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；
基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于图神经网络的产品筛选方法，其特征在于，包括：
获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；
将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；
基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值；
所述将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值，具体包括：
通过第一预设产品筛选模型对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量，其中，所述当前产品节点对应的产品为所述当前用户发起当前行为的产品；
对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量；
对与当前用户节点对应的第一用户信息向量进行聚合，以得到第二产品信息向量；
对所述第二用户信息向量与所述第二产品信息向量进行内积，以得到第一分值。
2.根据权利要求1所述的基于图神经网络的产品筛选方法，其特征在于，所述通过第一预设产品筛选模型对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量之前，所述基于图神经网络的产品筛选方法还包括：
根据与当前行为对应的行为系数及用户行为交互数量确定与所述当前行为对应的传递系数，其中，所述用户行为交互数量与所述传递系数均与当前用户对应；
相应地，所述对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量，具体包括：
基于传递系数对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量。
3.根据权利要求1所述的基于图神经网络的产品筛选方法，其特征在于，所述对所述第二用户信息向量与所述第二产品信息向量进行内积，以得到第一分值，具体包括：
对所述第二用户信息向量进行拼接，以得到用户拼接向量；
对所述第二产品信息向量进行拼接，以得到第一产品拼接向量；
对所述用户拼接向量与所述第一产品拼接向量进行内积，以得到第一分值。
4.根据权利要求1至3中任一项所述的基于图神经网络的产品筛选方法，其特征在于，所述将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值之后，所述基于图神经网络的产品筛选方法还包括：
获取邻居产品节点对应的邻居产品信息向量；
将所述邻居产品信息向量输入至第二预设产品筛选模型，得到所述第二预设产品筛选模型输出的第二分值；
相应地，所述基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息，具体包括：
对所述第一分值与所述第二分值进行求和，以得到第三分值；
根据所述第三分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第二预设产品筛选模型是基于邻居产品向量样本与第二分值样本训练得到的；所述第二预设产品筛选模型用于确定与所述邻居产品信息向量对应的第三产品信息向量，并基于所述邻居产品信息向量与所述第三产品信息向量确定第二分值。
5.根据权利要求4所述的基于图神经网络的产品筛选方法，其特征在于，所述获取邻居产品节点对应的邻居产品信息向量，具体包括：
确定与目标产品节点对应的邻居产品节点；
获取与所述邻居产品节点对应的邻居产品信息向量；
相应地，所述将所述邻居产品信息向量输入至第二预设产品筛选模型，得到所述第二预设产品筛选模型输出的第二分值，具体包括：
通过第二预设产品筛选模型对所述邻居产品信息向量进行聚合，以得到与所述目标产品节点对应的第三产品信息向量；
对所述邻居产品信息向量与所述第三产品信息向量进行内积，以得到第二分值。
6.根据权利要求5所述的基于图神经网络的产品筛选方法，其特征在于，所述对所述邻居产品信息向量与所述第三产品信息向量进行内积，以得到第二分值，具体包括：
对所述邻居产品信息向量进行拼接，以得到邻居产品拼接向量；
对所述第三产品信息向量进行拼接，以得到第二产品拼接向量；
基于预设内积公式对所述邻居产品拼接向量与所述第二产品拼接向量进行内积，以得到第二分值。
7.一种基于图神经网络的产品筛选系统，其特征在于，包括：
向量获取模块，用于获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；
模型运行模块，用于将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；
产品确定模块，用于基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；
其中，所述第一预设产品筛选模型是基于产品信息向量样本、用户信息向量样本与第一分值样本训练得到的；所述第一预设产品筛选模型用于确定与所述第一产品信息向量对应的第二用户信息向量，确定与所述第一用户信息向量对应的第二产品信息向量，并基于所述第二用户信息向量与所述第二产品信息向量确定第一分值；
所述将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值，具体包括：
通过第一预设产品筛选模型对与当前产品节点对应的第一产品信息向量进行聚合，以得到与当前用户对应的邻居信息聚合向量，其中，所述当前产品节点对应的产品为所述当前用户发起当前行为的产品；
对所述邻居信息聚合向量进行累加操作，以得到第二用户信息向量；
对与当前用户节点对应的第一用户信息向量进行聚合，以得到第二产品信息向量；
对所述第二用户信息向量与所述第二产品信息向量进行内积，以得到第一分值。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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中任一项所述基于图神经网络的产品筛选方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述基于图神经网络的产品筛选方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010340665.2A CN111695965B (zh) | 2020-04-26 | 2020-04-26 | 基于图神经网络的产品筛选方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010340665.2A CN111695965B (zh) | 2020-04-26 | 2020-04-26 | 基于图神经网络的产品筛选方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695965A CN111695965A (zh) | 2020-09-22 |
| CN111695965B true CN111695965B (zh) | 2024-04-12 |
Family
ID=72476693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010340665.2A Active CN111695965B (zh) | 2020-04-26 | 2020-04-26 | 基于图神经网络的产品筛选方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695965B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488355A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 基于图神经网络预测用户评级的方法和装置 |
| CN112365062A (zh) * | 2020-11-13 | 2021-02-12 | 中国民航大学 | 一种民航旅客隐式交互特征挖掘与航班推荐方法及系统 |
| CN112365302B (zh) * | 2020-12-14 | 2021-03-23 | 蚂蚁智信(杭州)信息技术有限公司 | 产品推荐网络的训练方法、装置、设备及介质 |
| CN112633978B (zh) * | 2020-12-22 | 2024-03-08 | 重庆大学 | 图神经网络模型构建方法、用于商品推荐的方法、装置及设备 |
| CN112559878B (zh) * | 2020-12-24 | 2022-09-23 | 山西大学 | 一种基于图神经网络的序列推荐系统及推荐方法 |
| CN112711708B (zh) * | 2020-12-30 | 2022-11-15 | 山东浪潮科学研究院有限公司 | 一种基于深度学习的产品方案组合推荐方法 |
| CN113934942A (zh) * | 2021-10-15 | 2022-01-14 | 北京中嘉空间展示设计有限公司 | 一种线下沉浸展与推荐结合的推荐方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ | ディープラーニングを活用した個人化商品推薦 |
| CN110458637A (zh) * | 2019-06-19 | 2019-11-15 | 中国平安财产保险股份有限公司 | 基于神经网络的产品推送方法、及其相关设备 |
| CN110969516A (zh) * | 2019-12-25 | 2020-04-07 | 清华大学 | 一种商品推荐方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819570B (zh) * | 2009-02-27 | 2012-08-15 | 国际商业机器公司 | 网络环境中的用户信息处理和资源推荐的方法和系统 |
-
2020
- 2020-04-26 CN CN202010340665.2A patent/CN111695965B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018181326A (ja) * | 2017-04-06 | 2018-11-15 | ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ | ディープラーニングを活用した個人化商品推薦 |
| CN108182621A (zh) * | 2017-12-07 | 2018-06-19 | 合肥美的智能科技有限公司 | 商品推荐方法及商品推荐装置、设备和存储介质 |
| CN110458637A (zh) * | 2019-06-19 | 2019-11-15 | 中国平安财产保险股份有限公司 | 基于神经网络的产品推送方法、及其相关设备 |
| CN110969516A (zh) * | 2019-12-25 | 2020-04-07 | 清华大学 | 一种商品推荐方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于社交关系的可信群体推荐;幸荔芸;;计算机应用与软件;第32卷(第12期);第330-333页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695965A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695965B (zh) | 基于图神经网络的产品筛选方法、系统及设备 | |
| Wang et al. | Attention-based transactional context embedding for next-item recommendation | |
| CN108596774B (zh) | 基于深层次网络嵌入特征的社会化信息推荐算法及系统 | |
| CN110969516B (zh) | 一种商品推荐方法及装置 | |
| CN111460130B (zh) | 信息推荐方法、装置、设备和可读存储介质 | |
| CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
| De Winter et al. | Combining temporal aspects of dynamic networks with node2vec for a more efficient dynamic link prediction | |
| CN110245285B (zh) | 一种基于异构信息网络的个性化推荐方法 | |
| CN112669096B (zh) | 对象推荐模型训练方法以及装置 | |
| CN110427560A (zh) | 一种应用于推荐系统的模型训练方法以及相关装置 | |
| Hassan et al. | Genetic algorithm approaches for improving prediction accuracy of multi-criteria recommender systems | |
| CN110689110B (zh) | 处理交互事件的方法及装置 | |
| CN108595533A (zh) | 一种基于协同过滤的物品推荐方法、存储介质及服务器 | |
| CN114298851A (zh) | 基于图表征学习的网络用户社交行为分析方法、装置及存储介质 | |
| CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
| CN113222711B (zh) | 一种商品信息推荐方法、系统和存储介质 | |
| CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
| CN114443958A (zh) | 一种推荐方法、推荐系统及推荐系统训练方法 | |
| CN115358809A (zh) | 一种基于图对比学习的多意图推荐方法及装置 | |
| CN117061322A (zh) | 物联网流量池管理方法及系统 | |
| Bouzidi et al. | Deep learning-based automated learning environment using smart data to improve corporate marketing, business strategies, fraud detection in financial services, and financial time series forecasting | |
| CN113610610B (zh) | 基于图神经网络和评论相似度的会话推荐方法和系统 | |
| CN113641811B (zh) | 促进购买行为的会话推荐方法、系统、设备及存储介质 | |
| CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
| CN117574915A (zh) | 基于多方数据源的公共数据平台及其数据分析方法 |
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 |