CN112131480A - 基于多层异质属性网络表征学习的个性化商品推荐方法及系统 - Google Patents

Abstract

基于多层异质属性网络表征学习的个性化商品推荐方法及系统，包括将用户与商品间交互行为看作一种边，构建多层异质属性网络，并解耦成多个简单的二分网络；对所有二分网络的邻接矩阵执行加权累加获得新组合的邻接矩阵，并执行谱图转换；融合谱转换后的邻接矩阵和节点属性特征矩阵，最后利用随机投影方法获得所有节点的表征向量；从历史数据中得到验证集以进行调参，获得每个节点的表征向量；利用余弦相似性度量用户对商品的偏好从而进行个性化推荐。本发明同时考虑了用户与商品间的多种交互行为；无需人为干预即可捕捉多种行为间的交互关系；有效融合了用户和商品的属性信息；利用随机投影进行网络表征学习，极大地提升了方法效率和提升推荐性能。

Description

基于多层异质属性网络表征学习的个性化商品推荐方法及 系统

技术领域

本发明涉及一种基于多层异质属性网络表征学习的商品推荐方法及系统，属于电子商务技术领域。

背景技术

近些年，电子商务和移动互联网飞快发展，淘宝、京东、唯品会、拼多多等电子商务平台纷纷崛起，满足了人们在线购物的需要。如今，网上购物已经成为人们日常生活中不可或缺的部分，在为人们提供便捷服务的同时，也极大地促进了经济增长。电子商务平台中数量庞大的商品信息无论是给商品的提供者还是给商品的购买者都带来了巨大的挑战：商品提供者如何向商品购买者披露合适的商品信息；商品的购买者如何在众多的商品信息中筛选出自己需要的商品信息。针对这一系列的问题，商品个性化推荐系统应运而生。商品推荐系统是立足于大数据分析基础上实现的，根据用户的喜好倾向进行智能推荐，在提升产品销售量的同时，促使用户体验大幅度提升。在个性化推荐越来越受到学术界和工业界重视的大背景下，电子商务领域内个性化商品推荐技术得到不断丰富和发展。

个性化推荐系统的目的是在给定用户的历史交互商品的前提下，预测用户在未来可能交互的一系列商品。人们在网上购物时，大量的用户与商品的交互(比如，用户的点击、评论、收藏、加入购物车等行为)会被记录下来，这些丰富的用户行为记录为了解用户的兴趣爱好提供了机会。人们通过分析用户的多种序列行为，挖掘交互行为中隐含的用户偏好，来对用户进行有效的个性化推荐。

在商品推荐系统中，传统的推荐方法主要以协同过滤模型为代表。最常见的协同过滤算法主要有邻域方法和矩阵分解模型，其中邻域方法通过测量商品与相似性矩阵之间的距离来进行推荐，基于邻域的算法大致分为两大类，一类是基于用户的协同过滤算法，另一类是基于商品的协同过滤算法。不同于邻域推荐方法，矩阵分解通过用户和商品嵌入之间的内积来估计用户对商品的偏好。虽然上述两种方法在推荐方面取得了显著的成效，但是这些方法仅仅将用户的某些历史交互商品直接作为商品的集合，通过分析集合来进行推荐。简言之，它们只是通过挖掘用户和商品之间的静态相关性来进行推荐，而忽略了隐藏在用户序列行为中的偏好的转移，且无法对序列数据中的复杂关系进行建模。

通过对现有的商品推荐方法进行分析总结，传统方法在以下几个方面存在不足：1)忽视或者无法同时建模用户的多种交互行为，造成推荐商品不准确，降低用户体验；2)现有的网络表征学习方法复杂度极高，效率极低，不能及时更新，无法应用于动态环境以捕获用户动态偏好变化；3)忽视或不重视用户与商品的属性，比如用户的地理位置、性别、消费金额等，商品的类别、价格、描述信息等，有效利用这些外围信息，能够进一步提高推荐性能。

发明内容

为解决电子商务领域个性化商品推荐问题，本发明提供一种基于多层异质属性网络表征学习的个性化商品推荐方法及系统，能够有效解决上述问题，实现更有效的商品推荐，提高用户在电商平台上的购物体验感。

为实现上述发明目的，本发明的技术方案如下：

基于多层异质属性网络表征学习的个性化商品推荐方法，包括如下步骤：

步骤1，将每个用户作为一个用户节点，每个商品作为一个商品节点，将用户与商品间每一种交互行为看作一种类型的边，例如：点击、购买、收藏、加入购物车为四种典型的交互行为，如果用户v点击了商品w，则节点v和w之间构建一条类型为点击的连边；从而构建一个多层异质属性网络G＝(V,E,X)，其中V＝V_u∪V_w，V_u为所有用户节点的集合，V_w为所有商品节点的集合，E＝∪_b∈BE_b为所有类型边的边集合，B为各种交互行为集合，例如B＝{点击、购买、收藏、加入购物车}，四种之外的其他交互行为也可以按照同样方式考虑进来；

是所有节点的属性矩阵，每一行表示对应节点的属性向量，例如用户的地理位置、性别、年龄段、季度消费均额等，商品的类别、价格、描述信息等，每种属性都可以采用one-hot编码，n为所有节点数量，m为节点编码后的属性的维度；

步骤2，解耦多层异质网络

为了区分不同类型的交互关系(对应不同类型的边)对节点表征的影响与作用，首先将上述多层异质属性网络解耦成多个简单的二分网络，二分网络就是只有两类节点和一种边的网络。例如，典型的电子商务网络有两类节点(用户与商品)，从而被解耦成四个单独的二分网络，当边的类型有4种(点击、购买、收藏、加入购物车)时将被解耦成四个单独的二分网络，每个二分网络仅包含一种用户与商品间的关系；令{A₁,…,A_b,…,A_|B|}表示解耦后的所有二分网络的邻接矩阵集合；针对每种类型的边，构建一个邻接矩阵，由于要同时对用户节点与商品节点进行低维表征学习，所以构建了用户节点+商品节点的对角线为零的对称邻接矩阵

其中C_b为用户与商品的一种连接边关系；

步骤3，融合各个二分网络

对所有二分网络的邻接矩阵执行一次加权累加获得一个新组合的邻接矩阵

其中权重β_b表示第b个二分网络在电子商务复杂网络中的重要性，可通过后续的模型调参步骤得到；

步骤4，谱图转换

为了保留异质网络中的高阶拓扑信息，在

上执行谱图转换即可捕获到整个复杂网络中的所有元路径交互信息：

其中，K是邻接矩阵的最高阶数，K取值范围{1,2,3,4,5}，α_i表示邻接矩阵第i阶的权重，

包含了所有长度为i的元路径交互，因此，该谱转换函数

不仅同时学习到了不同长度的元路径交互信息，同时还捕获到了各二分网络中高阶的网络结构；

步骤5，基于随机投影的网络表征学习

首先融合谱转换后的邻接矩阵

和节点属性特征矩阵X，最后利用随机投影方法获得所有节点的表征向量Z；

所述表征学习方法由图卷积神经网络GCN简化而来，具体来说，利用谱转换

代替GCN中谱图卷积来捕获复杂网络的跨关系结构信息，再利用随机投影得到网络的低维表征：

其中

为随机投影矩阵，m是节点属性维度，d是节点表征向量维度，d的取值为不超过所有节点数量n的1/100；随机投影矩阵R既可以是高斯随机投影矩阵，也可以是稀疏随机投影矩阵；

步骤6，模型调参

从历史数据中随机采样一定比例(比如5％)的正边以及等同数量的负边组成验证集，负边是网络中不存在的边；使用验证集对公式(3)中参数K,α₁,…,α_K,β₁,…,β_|B|进行调参，K可从集合{1,2,3,4,5}取值，实验验证K＝3最优，取更大值效果并没有提升，|B|取决于用户与商品交互行为的种类，典型为4种，即点击、购买、收藏、加入购物车，α₁,…,α_K,β₁,…,β_|B|可在[10^-5,10⁵]区间搜索；在调参时，将所有参数先设置为1，首先选择一个参数并固定其余参数进行调整，利用验证集进行10次推荐预测，取平均受试者工作特征曲线下面积(AUC)、平衡F分数(F1-Score)、精确率召回率曲线下面积(PR)的和作为算法的效果指标调整参数设置，当三者的和为最大时该参数即调整为最优；然后再取下一个未被调整的参数，重复上述步骤，直到所有参数均被调整为最优；所有参数确定最优取值后，根据公式(3)的表征学习方法，获得每个节点最终的表征向量；

步骤7，个性化商品推荐，基于学习到的所有用户节点与商品节点的表征向量，对于给定用户v，利用余弦相似性度量用户v对商品w的偏好：

其中

是用户v的表征向量，

是商品w的表征向量；最后，根据公式(4)计算用户v对所有商品的偏好并排序，选择偏好最大的Top-k个商品，进行个性化推荐。

本发明对用户与商品的多种交互行为通过构建多层异质属性网络同时建模，并充分考虑了用户及商品的多种属性因素，具体表现为：将用户与商品看成两类节点，用户与商品的每一种交互看成一种类型的边，用户及商品的附属信息看成节点属性，根据历史数据，建模成一个多层异质属性网络；利用多层异质属性网络表征学习，为每个用户和商品分别学习出一个表征向量，该表征向量考虑了用户与商品间的多种交互行为，隐含了用户与商品间偏好距离；根据用户与商品的表征向量，利用余弦相似性，针对不同的用户进行过更精确的商品推荐。该方法尤其适用于大规模带有商品信息和用户标签特征的电子商务网络数据上进行商品推荐。

本发明具有如下技术效果：首先，将电子商务网络构建成一个多层异质属性网络，同时建模用户与商品间的多种交互行为；其次，提出了一种异质网络的谱图转换，用于捕获电子商务网络中用户与商品间不同长度的元路径交互，以及高阶拓扑信息；然后，提出了一种基于随机投影的快速网络表征学习方法，可快速获得网络节点的网络表征向量；最后利用余弦相似性可实现对用户进行个性化商品推荐。

本发明具有如下优点：1)相比传统推荐方法，本发明同时考虑了用户与商品间的多种交互行为，同时建模多种交互行为；2)除了同时建模多种交互行为，还利用谱图转换，无需人为干预即可捕捉多种行为间的关系，也就是不同用户对同一商品的不同行为的交互，即不同长度的元路径的捕获；3)本发明所提的网络表征学习方法有效融合了用户和商品的属性信息，进一步提升商品推荐的性能；4)利用随机投影机制进行网络表征学习，极大地提升了网络表征学习的效率，解决了现有方法不能及时学得节点表征的问题。综上所述，本发明能够建模用户与商品间多种交互行为，快速学习出表征向量，进一步提升推荐的准确度，提高用户的体验。

附图说明

图1是本发明的总体框架图。

图2是本发明基于历史数据库构建多层异质属性网络模块的框架图。

图3是本发明基于多层异质网络进行谱图转换的框架图。

图4是本发明基于节点表征向量进行个性化商品推荐的框架图。

图5是本发明基于多层异质属性网络表征学习的个性化商品推荐方法的流程图。

其中，历史数据库模块100、多层异质属性网络构建模块101、解耦模块102、谱图转换模块103、基于随机投影的网络表征学习模块104、模型调参模块105、以及个性化商品推荐模块106。

具体实施方式

下面结合附图1-5与实施实例对本发明做进一步说明：

一、体系结构

基于多层异质属性网络表征学习的个性化商品推荐系统，包括历史数据库模块100、多层异质属性网络构建模块101、解耦模块102、谱图转换模块103、基于随机投影的网络表征学习模块104、模型调参模块105、以及个性化商品推荐模块106，如图1，以下对各部分进行具体说明：

历史数据库模块100：该数据库包括电子商务网络中用户与商品的交互行为记录(包括点击、购买、收藏、加入购物车)，每条记录格式为：<用户ID，商品ID，交互行为类型，时间点>，用户与商品的属性信息(包括用户地理位置、性别、年龄段、季度消费均额等，商品类别、价格、文本描述信息等)；

多层异质属性网络构建模块101：根据上述技术方案步骤1所述方法将电子商务网络的历史数据库构建成一个多层异质属性网络，如图2；

解耦模块102：根据上述技术方案步骤2，根据用户与商品的交互行为类型，将多层异质属性网络解耦成多个简单的二分网络，每个二分网络仅包括一种类型的边；

谱图转换模块103：根据上述技术方案步骤3，首先将解耦得到的多个二分网络进行加权融合，即将不同的交互行为的影响考虑进来，然后，采用上述步骤4，对新组合的邻接矩阵进行谱图转换，捕获高阶结构信息，以及不同长度的元路径交互，如图3；

基于随机投影的网络表征学习模块104：根据上述技术方案步骤5，基于随机投影的网络表征学习方法，首先融合谱转换后的邻接矩阵

和节点属性特征矩阵X，最后利用随机投影方法可以获得网络节点特征表示Z；

模型调参模块105：根据上述技术方案步骤6，首先在历史数据集采样验证集，然后根据验证集，对步骤5的网络表征学习模型进行多轮调参，确定最优的参数，最后，获得最终的网络节点特征表示Z；

个性化推荐模块107：根据上述技术方案步骤7，以公式(4)计算用户对商品的偏好值，然后按大小排序偏好值，向用户推荐前Top-k商品。

二、方法流程

对用户进行个性化商品推荐的详细步骤如下：

步骤1，将每个用户看作一个用户节点，每个商品看作一个商品节点，将用户与商品间每一种交互行为看作一种类型的边，例如：点击、购买、收藏、加入购物车为四种典型的交互行为，如果用户v点击了商品w，则节点v和w之间构建一条类型为点击的边。如图2，一个电子商务被建模成一个多层异质属性网络。

步骤2，如图3，将多层异质网络解耦成多个二分网络，每个二分网络仅包括一类交互行为关系，令{A₁,A₂,…,A_|B|}表示所有二分网络的邻接矩阵集合。为便于后续邻接矩阵对齐，每个邻接矩阵A_b包含了所有用户节点与商品。由于要同时对用户节点与商品节点进行低维表征学习，所以构建了用户节点+商品节点的对角线为零的对称邻接矩阵

其中C_b为用户与商品的一种类型的边关系。

步骤3，谱图转换，如图3，首先根据公式(1)融合多个二分网络，然后根据公式(2)执行谱转换即可捕获到整个复杂网络中的所有元路径交互信息。

步骤4，基于随机投影的网络表征学习，根据公式(3)，融合谱转换后的邻接矩阵

和节点属性特征矩阵X，然后利用随机投影方法可获得网络节点特征表示Z。

步骤5，在获得最终的网络表征之前，需要先对模型进行调参，确定最优参数。从历史数据中采样一定比例(比如3％-7％，以5％为宜)的正边以及等同数量的负边组成验证集，负边是网络中不存在的边。使用验证集对模型进行多轮调参，确定公式(3)中的参数K,α₁,…,α_K,β₁,…,β_|B|的最优取值，具体来说，首先将所有参数先设置为1，每次选择一个参数并固定其余参数进行调整，利用验证集进行10次推荐预测，取平均AUC，平均F1-score，平均PR的和作为算法的效果指标调整参数设置，当三者的和为最大时该参数即调整为最优，接着再取一个未被调整的参数，重复上述步骤，直到所有参数都被调整为最优。确定所有参数后，根据公式(3)，获得最终的节点表征向量。

步骤6，如图4，基于学习到的用户节点与商品节点的表征向量，给定一个用户v，根据公式(4)排序用户对所有商品的偏好值，选择偏好最大的Top-k个商品，进行个性化推荐。

以上计划方案，仅为本发明中的实施方法，但本发明的保护范围不限于此，所有熟悉该技术的人员在本发明所披露的技术范围以内，可理解想到的替换或者变换，都应该包含在本发明的保护范围之内，所以，本发明的保护范围应以权利要求书的保护范围为准。

Claims (7)

1.基于多层异质属性网络表征学习的个性化商品推荐方法，其特征是包括如下步骤：

步骤1，将每个用户作为一个用户节点，每个商品作为一个商品节点，将用户与商品间每一种交互行为看作一种类型的边；从而构建一个多层异质属性网络G＝(V，E，X)，其中V＝V_u∪V_w，V_u为所有用户节点的集合，V_w为所有商品节点的集合，E＝U_b∈BE_b为所有类型边的边集合，B为各种交互行为集合；

是所有节点的属性矩阵，每一行表示对应节点的属性向量，每种属性都可以采用one-hot编码，n为所有节点数量，m为节点编码后的属性的维度；

步骤2，解耦多层异质网络

为了区分不同类型的交互关系对节点表征的影响与作用，首先将上述多层异质属性网络解耦成多个简单的二分网络，二分网络就是只有两类节点和一种边的网络，将被解耦成四个单独的二分网络，每个二分网络仅包含一种用户与商品间的关系；令{A₁，...，A_b，...，A_|B|}表示解耦后的所有二分网络的邻接矩阵集合；针对每种类型的边，构建一个邻接矩阵，由于要同时对用户节点与商品节点进行低维表征学习，所以构建了用户节点+商品节点的对角线为零的对称邻接矩阵

其中C_b为用户与商品的一种连接边关系；

步骤3，融合各个二分网络

对所有二分网络的邻接矩阵执行一次加权累加获得一个新组合的邻接矩阵

其中权重β_b表示第b个二分网络在电子商务复杂网络中的重要性；

步骤4，谱图转换

为了保留异质网络中的高阶拓扑信息，在

上执行谱图转换即可捕获到整个复杂网络中的所有元路径交互信息：

其中，K是邻接矩阵的最高阶数，K取值范围{1，2，3，4，5}，α_i表示邻接矩阵第i阶的权重，

包含了所有长度为i的元路径交互，因此，该谱转换函数

不仅同时学习到了不同长度的元路径交互信息，同时还捕获到了各二分网络中高阶的网络结构；

步骤5，基于随机投影的网络表征学习

首先融合谱转换后的邻接矩阵

和节点属性特征矩阵X，最后利用随机投影方法获得所有节点的表征向量Z；

所述表征学习方法由图卷积神经网络GCN简化而来，具体来说，利用谱转换

代替GCN中谱图卷积来捕获复杂网络的跨关系结构信息，再利用随机投影得到网络的低维表征：

其中

为随机投影矩阵，m是节点属性维度，d是节点表征向量维度，d的取值为不超过所有节点数量n的1/100；

步骤6，模型调参

从历史数据中随机采样一定比例的正边以及等同数量的负边组成验证集，负边是网络中不存在的边；使用验证集对公式(3)中参数K，α₁，…，α_K，β₁，…，β_|B|进行调参，K从集合{1，2，3，4，5}取值，|B|取决于用户与商品交互行为的种类，α₁，…，α_K，β₁，…，β_|B|可在[10^-5，10⁵]区间搜索；在调参时，将所有参数先设置为1，首先选择一个参数并固定其余参数进行调整，利用验证集进行10次推荐预测，取平均受试者工作特征曲线下面积(AUC)、平衡F分数(F1-Score)、精确率召回率曲线下面积(PR)的和作为算法的效果指标调整参数设置，当三者的和为最大时该参数即调整为最优；然后再取下一个未被调整的参数，重复上述步骤，直到所有参数均被调整为最优；所有参数确定最优取值后，根据公式(3)的表征学习方法，获得每个节点最终的表征向量；

步骤7，个性化商品推荐，基于学习到的所有用户节点与商品节点的表征向量，对于给定用户v，利用余弦相似性度量用户v对商品w的偏好：

其中

是用户v的表征向量，

是商品w的表征向量；最后，根据公式(4)计算用户v对所有商品的偏好并排序，选择偏好最大的Top-k个商品，进行个性化推荐。

2.如权利要求1所说的基于多层异质属性网络表征学习的个性化商品推荐方法，其特征是所述步骤1中用户与商品间的交互行为包括点击、购买、收藏、加入购物车。

3.如权利要求1所说的基于多层异质属性网络表征学习的个性化商品推荐方法，其特征是所述步骤1中节点的属性向量包括用户的地理位置、性别、年龄段、季度消费均额等，商品的类别、价格、描述信息。

4.如权利要求1所说的基于多层异质属性网络表征学习的个性化商品推荐方法，其特征是所述步骤5中随机投影矩阵R是高斯随机投影矩阵或稀疏随机投影矩阵。

5.如权利要求1所说的基于多层异质属性网络表征学习的个性化商品推荐方法，其特征是所述步骤6中从历史数据中随机采样5％比例的正边以及等同数量的负边组成验证集。

6.如权利要求1所说的基于多层异质属性网络表征学习的个性化商品推荐方法，其特征是所述步骤6中，参数K的最优值取K＝3。

7.基于多层异质属性网络表征学习的个性化商品推荐系统，其特征是包括历史数据库模块(100)、多层异质属性网络构建模块(101)、解耦模块(102)、谱图转换模块(103)、基于随机投影的网络表征学习模块(104)、模型调参模块(105)、以及个性化商品推荐模块106；

所述历史数据库模块(100)：该数据库模块包括电子商务网络中用户与商品的交互行为记录、用户与商品的属性信息；

多层异质属性网络构建模块(101)：根据上述步骤1所述方法将电子商务网络的历史数据库构建成一个多层异质属性网络；

解耦模块(102)：根据上述步骤2，根据用户与商品的交互行为类型，将多层异质属性网络解耦成多个简单的二分网络，每个二分网络仅包括一种类型的边；

谱图转换模块(103)：根据上述步骤3，首先将解耦得到的多个二分网络进行加权融合，即将不同的交互行为的影响考虑进来，然后，采用上述步骤4，对新组合的邻接矩阵进行谱图转换，捕获高阶结构信息，以及不同长度的元路径交互；

基于随机投影的网络表征学习模块(104)：根据上述步骤5，基于随机投影的网络表征学习方法，首先融合谱转换后的邻接矩阵

和节点属性特征矩阵X，最后利用随机投影方法可以获得网络节点特征表示Z；

模型调参模块(105)：根据上述步骤6，首先在历史数据集采样验证集，然后根据验证集，对步骤5的网络表征学习模型进行多轮调参，确定最优的参数，最后，获得最终的网络节点特征表示Z；

个性化推荐模块(106)：根据上述步骤7，以公式(4)计算用户对商品的偏好值，然后按大小排序偏好值，向用户推荐前Top-k商品。

Images