CN112561644A - 基于链接预测的商品推荐方法、装置及相关设备 - Google Patents

基于链接预测的商品推荐方法、装置及相关设备 Download PDF

Info

Publication number
CN112561644A
CN112561644A CN202011487378.0A CN202011487378A CN112561644A CN 112561644 A CN112561644 A CN 112561644A CN 202011487378 A CN202011487378 A CN 202011487378A CN 112561644 A CN112561644 A CN 112561644A
Authority
CN
China
Prior art keywords
commodity
user node
node set
purchasing
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.)
Granted
Application number
CN202011487378.0A
Other languages
English (en)
Other versions
CN112561644B (zh
Inventor
丁斯昊
石珺
李志鹏
廖勇
杨阳朝
黄晓明
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.)
Shenzhen Wanglian Anrui Network Technology Co ltd
Original Assignee
Shenzhen Wanglian Anrui Network Technology Co ltd
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 Shenzhen Wanglian Anrui Network Technology Co ltd filed Critical Shenzhen Wanglian Anrui Network Technology Co ltd
Priority to CN202011487378.0A priority Critical patent/CN112561644B/zh
Publication of CN112561644A publication Critical patent/CN112561644A/zh
Application granted granted Critical
Publication of CN112561644B publication Critical patent/CN112561644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/901—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (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)

Abstract

本发明公开了一种基于链接预测的商品推荐方法，应用于链接预测技术领域，用于无法基于稀疏的标注信息的图数据集进行特征预测以及无法实现跨平台推荐的问题。本发明提供的方法包括：获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；所述第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息；根据所述标注信息获得每个商品购买用户节点的商品喜好度表示特征并传播到所述第一用户节点集合，并基于所述人际关系边连接关系传播到所述第二用户节点集合中的每个用户节点形成对应的商品购买倾向特征；根据所述商品喜好度表示特征与所述商品购买倾向特征获取商品推荐结果。

Description

基于链接预测的商品推荐方法、装置及相关设备
技术领域
本发明涉及链接预测技术领域，尤其涉及一种基于链接预测的商品推荐方法、装置、计算机设备及存储介质
背景技术
推荐算法是解决信息过载和挖掘用户潜在请求的技术手段，基于图数据的推荐是推荐算法的一个重要分支，可以应用在电子商务平台用以根据用户的购买历史向其他用户推荐商品。
现有的基于图数据的推荐算法在根据已有的图数据集的特征属性预测另一图数据集的特征属性时，不支持对标注信息稀疏或不存在标注信息的图数据集进行预测；另外，所使用的图数据集来自同一平台，因此只能针对相同平台的客户给出推荐结果，应用范围过小，不利于扩大商品的推广范围。
综上可知，现有基于图数据的推荐算法存在无法基于稀疏的标注信息的图数据集进行特征预测以及无法实现跨平台推荐的问题。
发明内容
本发明实施例提供一种基于链接预测的商品推荐方法、装置、计算机设备及存储介质，以解决不支持对标注信息稀疏的图数据进行特征预测且不支持跨平台进行商品推荐的问题。
一种基于链接预测的商品推荐方法，包括：
获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，标注信息为商品购买用户节点的商品购买记录，每个商品购买用户节点与每个商品节点形成购买边连接关系；第二图数据集包括第一用户节点集合和第二用户节点集合；第一用户节点集合与商品购买用户节点集合相同，第一用户节点集合的每个第一用户节点与第二用户节点集合中的部分第二用户节点形成人际边连接关系；
根据标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征；
将商品喜好度表示特征与第一用户节点集合形成映射关系；
将映射关系传播到第一用户节点集合，并基于人际关系边连接关系传播到第二用户节点集合中的每个用户节点，以获得每个用户节点所对应的商品购买倾向特征；
根据商品喜好度表示特征与商品购买倾向特征获取商品推荐结果，并基于商品推荐结果向第一用户节点集合和第二用户节点集合中与商品购买倾向特征对应的用户节点进行商品推荐。
一种基于链接预测的商品推荐装置，包括：
数据集获取模块，用于获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，标注信息为商品购买用户节点的商品购买记录，每个商品购买用户节点与每个商品节点形成购买边连接关系；第二图数据集包括第一用户节点集合和第二用户节点集合；第一用户节点集合与商品购买用户节点集合相同，第一用户节点集合的每个第一用户节点与第二用户节点集合中的部分第二用户节点形成人际边连接关系；
商品喜好度获取模块，用于根据标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征；
映射关系形成模块，用于将商品喜好度表示特征与第一用户节点集合形成映射关系；
映射关系传播模块，用于将映射关系传播到第一用户节点集合，并基于人际关系边连接关系传播到第二用户节点集合中的每个用户节点，以获得每个用户节点所对应的商品购买倾向特征；
商品推荐结果生成模块，用于根据商品喜好度表示特征与商品购买倾向特征获取商品推荐结果，并基于商品推荐结果向第一用户节点集合和第二用户节点集合中与商品购买倾向特征对应的用户节点进行商品推荐。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现上述基于链接预测的商品推荐方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于链接预测的商品推荐方法的步骤。
上述基于链接预测的商品推荐方法，提供了获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，标注信息为商品购买用户节点的商品购买记录，每个商品购买用户节点与每个商品节点形成购买关系边连接关系；第二图数据集包括第一用户节点集合和第二用户节点集合；第一用户节点集合与商品购买用户节点集合相同，第一用户节点集合的每个第一用户节点与第二用户节点集合中的部分第二用户节点形成人际关系边连接关系；根据标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征；将商品喜好度表示特征与第一用户节点集合形成映射关系；将映射关系传播到第一用户节点集合，并基于人际关系边连接关系传播到第二用户节点集合中的每个用户节点，以获得每个用户节点所对应的商品购买倾向特征；根据商品喜好度表示特征与商品购买倾向特征获取商品推荐结果，并基于商品推荐结果向第一用户节点集合和第二用户节点集合中与商品购买倾向特征对应的用户节点进行商品推荐。根据第一图数据集与第二图数据集的相互关联关系将商品进行跨平台推荐，解决不能在跨平台中进行商品推荐的问题。另外，在第二图数据集不存在标注信息的情况下对第二图数据集中的用户节点进行商品购买倾向预测，则本基于链接预测的商品推荐方法也可以解决无法对稀疏标注信息的图数据集进行特征预测的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中商品推荐方法的一应用环境示意图；
图2是本发明一实施例中商品推荐方法的一流程图；
图3是本发明一实施例中商品推荐方法的另一流程图；
图4是本发明一实施例中商品推荐装置的一结构示意图；
图5是本发明一实施例中计算机设备的一示意图。
具体实施方式
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。
本发明实施例提供的基于链接预测的商品推荐方法，可应用在如图1的应用环境中，其中，计算机设备通过网络与服务器进行通信。其中，计算机设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在本发明提供的一实施例中，如图2所示，提供一种基于链接预测的商品推荐方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S101至S105：
S101，获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，标注信息为商品购买用户节点的商品购买记录，每个商品购买用户节点与每个商品节点形成购买边连接关系；第二图数据集包括第一用户节点集合和第二用户节点集合；第一用户节点集合与商品购买用户节点集合相同，第一用户节点集合的每个第一用户节点与第二用户节点集合中的部分第二用户节点形成人际边连接关系。
其中，第一平台与第二平台的平台性质可以不相同，第一平台可以是电商平台，第二平台可以是社交平台。
具体的，图数据集是指由节点与边构成的数据结构，边指节点之间的关系属性。该第一图数据集中包括商品购买用户节点与包含商品信息的商品节点，商品购买用户节点与某一商品存在购买关系，则该商品购买用户节点与包含商品信息的商品节点存在边连接关系；在第二图数据集中，若第一用户节点集合中的某个用户节点与第二用户节点集合中的部分用户节点存在人际关系，则该两个用户节点之间存在边连接关系；该人际关系可以但不限于是好友关系、亲友关系等。
其中，在第一图数据集中的标注信息根据商品购买用户节点的商品购买记录标注出商品的信息。
S102，根据标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征。
具体的，根据标注信息进行表征学习可以获得该商品购买用户节点的喜好、个性以及兴趣等，结合商品购买用户节点的商品购买历史记录获得商品喜好度的表示特征。
其中，所述商品喜好度表示特征可以但不限于是指商品的热销程度或购买商品时的商品类型优先被选程度。
S103，将商品喜好度表示特征与第一用户节点集合形成映射关系。
其中，该映射关系指在第一用户节点集合形成对该商品喜好度的特征向量，该特征向量中包含对商品喜好度的特征，在传播阶段，可根据该特征向量形成每个用户节点对每一件商品的商品购买倾向度。
S104，将映射关系传播到第一用户节点集合，并基于人际关系边连接关系传播到第二用户节点集合中的每个用户节点，以获得每个用户节点所对应的商品购买倾向特征。
其中，商品购买倾向特征是指在第二数据集中的所有用户节点对商品/商品类型的购买需求强烈程度。
S105，根据商品喜好度表示特征与商品购买倾向特征获取商品推荐结果，并基于商品推荐结果向第一用户节点集合和第二用户节点集合中与商品购买倾向特征对应的用户节点进行商品推荐。
在本实施例中，步骤S102包括以下步骤S1021至S1022：
S1021，生成商品购买用户节点集合所对应的第一ID数据。
S1022，将第一ID数据输入轻量级图神经网络进行表征学习，以获得商品购买用户节点集合对不同商品的商品喜好度表示特征。
其中，将商品购买用户的ID信息基于预设的哈希变化规则进行哈希变换生成第一ID数据，其中第一ID数据不含有丰富的语义信息；可作为轻量级图神经网络的输入进行表征学习。轻量级图神经网络对传统GCN(Graph Convolutional Network,图神经网络)进行轻量级优化，去除了其中用来获取输入特征表示信息的激活函数和非线性变换层；轻量级图神经网络可以使得模型在超大规模的图结构数据上的运行速度大大提高，同时准确度也不会下降。
基于上述步骤S102，步骤S103包括以下步骤S1031至S1032：
S1031，对商品购买用户节点集合与第一用户节点集合之间的相同关联关系，生成第一用户节点集合所对应的第二ID数据。
S1032，根据第一ID数据与第二ID数据的对应关系，将商品喜好度表示特征映射到第一用户节点集合，以获得结果表征向量；结果表征向量包含与商品喜好度对应的结果特征。
其中，商品购买用户节点集合包含多个商品购买用户节点，第一用户节点集合包含多个第一用户节点；第一ID数据具体是第一用户节点在第一平台的用户身份数据，第二ID数据具体是第一用户节点在第二平台的用户身份数据，由于商品购买用户节点集合与第一用户节点集合相同，则第一ID数据与第二ID数据基于同样的用户身份数据一一对应。
基于上述步骤S103，步骤S104包括以下步骤S1041至S1042：
S1041，根据上述结果表征向量对第一用户节点集合进行均值聚类处理,以获得同类别用户聚类结果。
其中，步骤S1041具体是：基于embedding Ui＝mean(aggration(embedding Un，Un∈N(Ui)))，上述公式为基于embedding的均值聚类算法。
在上述步骤S1032的前提下，根据第一用户节点集合中每个用户节点的结果表征向量中的商品喜好度的embedding(特征嵌入)对第一用户节点集合中的用户节点进行均值聚类处理以获得第一用户节点集合中的同类别用户的聚类结果。
S1042，基于同类别用户聚类结果将结果表征向量传播至第一用户节点集合和第二用户节点集合中的每个用户节点。
在本实施例中，如图3所示，步骤S105包括以下步骤S1051至S1052：S1051，从商品购买倾向特征获取相应的商品特征，根据商品特征在第一图数据集中查找商品特征所对应商品的商品喜好度表示特征。
其中，商品特征可以但不限于：商品类别、商品型号、商品的销售数量等。
S1052，比对商品购买倾向特征的特征向量与商品喜好度表示特征的特征向量的相似程度，若相似程度大于预设相似度，则生成对应商品的商品推荐结果。
其中，步骤S1052中比对商品购买倾向度与商品喜好度的相似程度的步骤具体为：根据商品购买倾向特征的特征向量、商品喜好度表示特征的特征向量的余弦相似度比较两者的相似程度。
其中，余弦相似度又称余弦相似性，是指获取商品购买倾向特征的特征向量以及商品喜好度表示特征的特征向量，根据两个特征向量之间的夹角的余弦值度量两者之间的相似程度。
上述基于链接预测的商品推荐方法，提供了获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，标注信息为商品购买用户节点的商品购买记录，每个商品购买用户节点与每个商品节点形成购买关系边连接关系；第二图数据集包括第一用户节点集合和第二用户节点集合；第一用户节点集合与商品购买用户节点集合相同，第一用户节点集合的每个第一用户节点与第二用户节点集合中的部分第二用户节点形成人际关系边连接关系；根据标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征；将商品喜好度表示特征与第一用户节点集合形成映射关系；将映射关系传播到第一用户节点集合，并基于人际关系边连接关系传播到第二用户节点集合中的每个用户节点，以获得每个用户节点所对应的商品购买倾向特征；根据商品喜好度表示特征与商品购买倾向特征获取商品推荐结果，并基于商品推荐结果向第一用户节点集合和第二用户节点集合中与商品购买倾向特征对应的用户节点进行商品推荐。根据第一图数据集与第二图数据集的相互关联关系将商品进行跨平台推荐，解决不能在跨平台中进行商品推荐的问题。另外，在第二图数据集不存在标注信息的情况下对第二图数据集中的用户节点进行商品购买倾向预测，则本基于链接预测的商品推荐方法也可以解决无法对稀疏标注信息的图数据集进行特征预测的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明的另一实施例中，提供一种基于链接预测的商品推荐装置，该基于链接预测的商品推荐装置与上述实施例中基于链接预测的商品推荐方法一一对应。
如图4所示，该基于链接预测的商品推荐装置40包括以下模块：
数据集获取模块41，用于获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，标注信息为商品购买用户节点的商品购买记录，每个商品购买用户节点与每个商品节点形成购买边连接关系；第二图数据集包括第一用户节点集合和第二用户节点集合；第一用户节点集合与商品购买用户节点集合相同，第一用户节点集合的每个第一用户节点与第二用户节点集合中的部分第二用户节点形成人际边连接关系；
商品喜好度获取模块42，用于根据标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征；
映射关系形成模块43，用于将商品喜好度表示特征与第一用户节点集合形成映射关系；
映射关系传播模块44，用于将映射关系传播到第一用户节点集合，并基于人际关系边连接关系传播到第二用户节点集合中的每个用户节点，以获得每个用户节点所对应的商品购买倾向特征；
商品推荐结果生成模块45，用于根据商品喜好度表示特征与商品购买倾向特征获取商品推荐结果，并基于商品推荐结果向第一用户节点集合和第二用户节点集合中与商品购买倾向特征对应的用户节点进行商品推荐。
在本实施例中，商品喜好度获取模块42包括以下单元：
第一ID数据生成单元，生成商品购买用户节点集合所对应的第一ID数据；
表征学习单元，用于将第一ID数据输入轻量级图神经网络进行表征学习，以获得商品购买用户节点集合对不同商品的商品喜好度表示特征。
在本实施例中，映射关系形成模块43包括以下单元：
第二ID数据生成单元，用于对商品购买用户节点集合与第一用户节点集合之间的相同关联关系，生成第一用户节点集合所对应的第二ID数据。
映射单元，用于根据第一ID数据与第二ID数据的对应关系，将商品喜好度映射到第一用户节点集合，以获得结果表征向量；结果表征向量包含与商品喜好度表示特征对应的结果特征。
在本实施例中，映射关系传播模块44包括以下单元：
聚类处理单元，用于根据结果表征向量对第一用户节点集合进行均值聚类处理以获得同类别用户聚类结果。
向量传播单元，用于基于同类别用户聚类结果将结果表征向量传播至第一用户节点集合和第二用户节点集合中的每个用户节点。
在本实施例中，商品推荐结果生成模块45包括以下单元：
商品特征单元，用于从商品购买倾向特征获取相应的商品特征，根据商品特征在第一数据集中查找商品特征所对应商品的商品喜好度表示特征；
相似程度对比单元，用于比对商品购买倾向特征的特征向量与商品喜好度表示特征的特征向量的相似程度，若相似程度大于预设相似度，则生成对应商品的商品推荐结果。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于基于链接预测的商品推荐装置的具体限定可以参见上文中对于基于链接预测的商品推荐方法的限定，在此不再赘述。上述基于链接预测的商品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本发明的另一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于链接预测的商品推荐方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于链接预测的商品推荐方法。
在本发明的另一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中基于链接预测的商品推荐方法的步骤，例如图2所示的步骤S101至步骤S105及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于链接预测的商品推荐装置的各模块/单元的功能，例如图4所示模块41至模块45的功能。为避免重复，这里不再赘述。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在本发明的另一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于链接预测的商品推荐方法的步骤，例如图2所示的步骤S101至步骤S105及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于链接预测的商品推荐装置的各模块/单元的功能，例如图4所示模块41至模块45的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于链接预测的商品推荐方法，其特征在于，包括以下步骤：
获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；所述第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，所述标注信息为所述商品购买用户节点的商品购买记录，每个所述商品购买用户节点与每个所述商品节点形成购买边连接关系；所述第二图数据集包括第一用户节点集合和第二用户节点集合；所述第一用户节点集合与所述商品购买用户节点集合相同，所述第一用户节点集合的每个第一用户节点与所述第二用户节点集合中的部分第二用户节点形成人际边连接关系；
根据所述标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征；
将所述商品喜好度表示特征与所述第一用户节点集合形成映射关系；
将所述映射关系传播到所述第一用户节点集合，并基于所述人际边连接关系传播到所述第二用户节点集合中的每个用户节点，以获得所述每个用户节点所对应的商品购买倾向特征；
根据所述商品喜好度表示特征与所述商品购买倾向特征获取商品推荐结果，并基于所述商品推荐结果向所述第一用户节点集合和所述第二用户节点集合中与所述商品购买倾向特征对应的用户节点进行商品推荐。
2.根据权利要求1所述的基于链接预测的商品推荐方法，其特征在于，所述根据所述标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征的步骤包括：
生成所述商品购买用户节点集合所对应的第一ID数据；
将所述第一ID数据输入轻量级图神经网络进行表征学习，以获得所述商品购买用户节点集合的商品喜好度表示特征。
3.根据权利要求2所述的基于链接预测的商品推荐方法，其特征在于，所述将所述商品喜好度表示特征与所述第一用户节点集合形成映射关系包括：
基于所述商品购买用户节点集合与所述第一用户节点集合之间的相同关联关系，生成所述第一用户节点集合所对应的第二ID数据；
根据所述第一ID数据与所述第二ID数据的对应关系，将所述商品喜好度表示特征映射到所述第一用户节点集合，以获得结果表征向量；所述结果表征向量包含与所述商品喜好度表示特征对应的结果特征。
4.根据权利要求3所述的基于链接预测的商品推荐方法，其特征在于，所述基于所述人际关系边连接关系将所述映射关系传播到所述第一用户节点集合和所述第二用户节点集合中的每个用户节点的步骤包括：
根据所述结果表征向量对所述第一用户节点集合进行均值聚类处理，以获得同类别用户聚类结果；
基于所述同类别用户聚类结果将所述结果表征向量传播至所述第一用户节点集合和所述第二用户节点集合中的每个用户节点。
5.根据权利要求1至4任一项所述的基于链接预测的商品推荐方法，其特征在于，所述根据所述商品喜好度表示特征与所述商品购买倾向特征，获得商品推荐结果的步骤包括：
从所述商品购买倾向特征获取相应的商品特征，根据所述商品特征在所述第一图数据集中查找所述商品特征所对应商品的商品喜好度表示特征；
比对所述商品购买倾向特征的特征向量与所述商品喜好度表示特征的特征向量的相似程度，若所述相似程度大于预设相似度，则生成对应所述商品的商品推荐结果。
6.一种基于链接预测的商品推荐装置，其特征在于，包括：
数据集获取模块，用于获取来自第一平台的第一图数据集和来自第二平台的第二图数据集；所述第一图数据集包括商品购买用户节点集合、商品节点集合及标注信息，所述标注信息为所述商品购买用户节点的商品购买记录，每个所述商品购买用户节点与每个所述商品节点形成购买边连接关系；所述第二图数据集包括第一用户节点集合和第二用户节点集合；所述第一用户节点集合与所述商品购买用户节点集合相同，所述第一用户节点集合的每个第一用户节点与所述第二用户节点集合中的部分第二用户节点形成人际边连接关系；
商品喜好度获取模块，用于根据所述标注信息进行表征学习获得每个商品购买用户节点的商品喜好度表示特征；
映射关系形成模块，用于将所述商品喜好度表示特征与所述第一用户节点集合形成映射关系；
映射关系传播模块，用于将所述映射关系传播到所述第一用户节点集合，并基于所述人际关系边连接关系传播到所述第二用户节点集合中的每个用户节点，以获得所述每个用户节点所对应的商品购买倾向特征；
商品推荐结果生成模块，用于根据所述商品喜好度表示特征与所述商品购买倾向特征获取商品推荐结果，并基于所述商品推荐结果向所述第一用户节点集合和所述第二用户节点集合中与所述商品购买倾向特征对应的用户节点进行商品推荐。
7.根据权利要求6所述的基于链接预测的商品推荐装置，其特征在于，所述商品喜好度获取模块包括以下单元：
第一ID数据生成单元，用于生成所述商品购买用户节点集合所对应的第一ID数据；
表征学习单元，用于将所述第一ID数据输入轻量级图神经网络进行表征学习，以获得所述商品购买用户节点的商品喜好度表示特征。
8.根据权利要7所述的基于链接预测的商品推荐装置，其特征在于，所述商品推荐结果生成模块包括以下单元：
商品特征获取单元，用于从所述商品购买倾向特征获取相应的商品倾向特征向量，根据所述商品倾向特征向量在所述第一数据集中查找所述商品倾向特征向量所对应商品的商品喜好度表示特征向量；
相似程度比较单元，用于比对所述商品倾向特征向量与所述商品喜好度特征向量的相似程度，若所述相似程度大于预设相似度，则生成对应所述商品的商品推荐结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至5中任一项所述基于链接预测的商品推荐方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5中任一项所述基于链接预测的商品推荐方法的步骤。
CN202011487378.0A 2020-12-16 2020-12-16 基于链接预测的商品推荐方法、装置及相关设备 Active CN112561644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011487378.0A CN112561644B (zh) 2020-12-16 2020-12-16 基于链接预测的商品推荐方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011487378.0A CN112561644B (zh) 2020-12-16 2020-12-16 基于链接预测的商品推荐方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN112561644A true CN112561644A (zh) 2021-03-26
CN112561644B CN112561644B (zh) 2023-08-01

Family

ID=75064082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011487378.0A Active CN112561644B (zh) 2020-12-16 2020-12-16 基于链接预测的商品推荐方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN112561644B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240490A (zh) * 2021-05-18 2021-08-10 中国人民大学 一种基于图神经网络的智能服务交易推荐方法及系统
CN113342998A (zh) * 2021-08-05 2021-09-03 北京达佳互联信息技术有限公司 一种多媒体资源推荐方法、装置、电子设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018014029A (ja) * 2016-07-22 2018-01-25 ソフトバンク株式会社 レコメンド装置及びプログラム
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
CN108920544A (zh) * 2018-06-13 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化职位推荐方法
CN110033097A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 基于多个数据域确定用户与物品的关联关系的方法及装置
US20190286658A1 (en) * 2018-03-13 2019-09-19 Pinterest, Inc. Generating neighborhood convolutions within a large network
CN110263227A (zh) * 2019-05-15 2019-09-20 阿里巴巴集团控股有限公司 基于图神经网络的团伙发现方法和系统
CN110458627A (zh) * 2019-08-19 2019-11-15 华南师范大学 一种面向用户动态偏好的商品序列个性化推荐方法
WO2020068831A1 (en) * 2018-09-26 2020-04-02 Visa International Service Association Dynamic graph representation learning via attention networks
CN110969516A (zh) * 2019-12-25 2020-04-07 清华大学 一种商品推荐方法及装置
CN111178951A (zh) * 2019-12-20 2020-05-19 深圳大学 一种商品推荐方法及装置
US20200160178A1 (en) * 2018-11-16 2020-05-21 Nvidia Corporation Learning to generate synthetic datasets for traning neural networks
CN111428767A (zh) * 2020-03-17 2020-07-17 深圳市商汤科技有限公司 数据处理方法及装置、处理器、电子设备及存储介质
CN111539786A (zh) * 2020-04-15 2020-08-14 清华大学 条件注意力网络及其在个性化推荐中的应用方法及装置
CN111881342A (zh) * 2020-06-23 2020-11-03 北京工业大学 一种基于图孪生网络的推荐方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018014029A (ja) * 2016-07-22 2018-01-25 ソフトバンク株式会社 レコメンド装置及びプログラム
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
US20190286658A1 (en) * 2018-03-13 2019-09-19 Pinterest, Inc. Generating neighborhood convolutions within a large network
CN108920544A (zh) * 2018-06-13 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化职位推荐方法
WO2020068831A1 (en) * 2018-09-26 2020-04-02 Visa International Service Association Dynamic graph representation learning via attention networks
US20200160178A1 (en) * 2018-11-16 2020-05-21 Nvidia Corporation Learning to generate synthetic datasets for traning neural networks
CN110033097A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 基于多个数据域确定用户与物品的关联关系的方法及装置
CN110263227A (zh) * 2019-05-15 2019-09-20 阿里巴巴集团控股有限公司 基于图神经网络的团伙发现方法和系统
CN110458627A (zh) * 2019-08-19 2019-11-15 华南师范大学 一种面向用户动态偏好的商品序列个性化推荐方法
CN111178951A (zh) * 2019-12-20 2020-05-19 深圳大学 一种商品推荐方法及装置
CN110969516A (zh) * 2019-12-25 2020-04-07 清华大学 一种商品推荐方法及装置
CN111428767A (zh) * 2020-03-17 2020-07-17 深圳市商汤科技有限公司 数据处理方法及装置、处理器、电子设备及存储介质
CN111539786A (zh) * 2020-04-15 2020-08-14 清华大学 条件注意力网络及其在个性化推荐中的应用方法及装置
CN111881342A (zh) * 2020-06-23 2020-11-03 北京工业大学 一种基于图孪生网络的推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王茜， 喻继军: "基于商品购买关系网络的多样性推荐", 系统管理学报, vol. 29, no. 1, pages 61 - 72 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240490A (zh) * 2021-05-18 2021-08-10 中国人民大学 一种基于图神经网络的智能服务交易推荐方法及系统
CN113342998A (zh) * 2021-08-05 2021-09-03 北京达佳互联信息技术有限公司 一种多媒体资源推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112561644B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
KR102122373B1 (ko) 사용자 포트레이트를 획득하는 방법 및 장치
US10558852B2 (en) Predictive analysis of target behaviors utilizing RNN-based user embeddings
US9501762B2 (en) Application recommendation using automatically synchronized shared folders
KR102214422B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
WO2017157149A1 (zh) 基于社交网络的推荐方法、装置、服务器及存储介质
TWI682335B (zh) 一種資料物件展示方法及裝置
KR20210018384A (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
He et al. Decision making with the generalized intuitionistic fuzzy power interaction averaging operators
TW201843622A (zh) 基於資料源的業務客製裝置、方法及電腦可讀儲存介質
CN112561644B (zh) 基于链接预测的商品推荐方法、装置及相关设备
US10769179B2 (en) Node linkage in entity graphs
CN110020124B (zh) 用于相关产品挖掘的方法及装置
WO2024131762A1 (zh) 一种推荐方法及相关设备
US20150310529A1 (en) Web-behavior-augmented recommendations
CN113536139A (zh) 基于兴趣的内容推荐方法、装置、计算机设备及存储介质
CN111797319B (zh) 推荐方法、装置、设备及存储介质
Rafailidis et al. Top-n recommendation via joint cross-domain user clustering and similarity learning
CN111435376A (zh) 信息处理方法及系统、计算机系统和计算机可读存储介质
CN111161009B (zh) 信息推送方法、装置、计算机设备和存储介质
US20170052926A1 (en) System, method, and computer program product for recommending content to users
CN112330382A (zh) 物品推荐方法、装置、计算设备和介质
JP7231322B2 (ja) 学習装置、学習方法、学習プログラム及びプログラム
CN113158047A (zh) 推荐模型训练、信息推送方法、装置、设备及介质
Bindu et al. Reducing the cold-user and cold-item problem in recommender system by reducing the sparsity of the sparse matrix and addressing the diversity-accuracy problem
CN112734307A (zh) 一种在线实时企业画像生成方法、装置、设备及存储介质

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