CN112669127A - 用于商品推荐的方法、装置及设备 - Google Patents
用于商品推荐的方法、装置及设备 Download PDFInfo
- Publication number
- CN112669127A CN112669127A CN202110079490.9A CN202110079490A CN112669127A CN 112669127 A CN112669127 A CN 112669127A CN 202110079490 A CN202110079490 A CN 202110079490A CN 112669127 A CN112669127 A CN 112669127A
- Authority
- CN
- China
- Prior art keywords
- commodity
- vector representation
- user
- neural network
- obtaining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 230000003993 interaction Effects 0.000 claims abstract description 26
- 230000002452 interceptive effect Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000007774 longterm Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及信息推荐技术领域,公开一种用于商品推荐的方法。包括:获得用户与若干个商品的交互信息;将交互信息输入到预设的图神经网络模型,获得序列向量表征;图神经网络模型根据有向图获得;有向图根据交互信息生成;根据序列向量表征获得各商品被推荐的概率;根据各商品被推荐的概率进行商品推荐。能够通过将用户与各商品的交互信息输入预设的图神经网络模型,获得序列向量表征,根据序列向量表征获得各商品被推荐的概率,并根据各商品被推荐的概率进行商品推荐。由于考虑了用户与各商品的交互信息,使得推荐的商品更加符合用户的需求,从而提高了用户对商品推荐的满意度。本申请还公开一种用于商品推荐的装置及设备。
Description
技术领域
本申请涉及信息推荐技术领域,例如涉及一种用于商品推荐的方法、装置和设备。
背景技术
随着生活水平的提高,人们的娱乐生活越来越丰富。网上购物,影音娱乐等已经成为了人们的日常生活的一部分。人们常常为了挑选心仪的物品或影视等花费大量的时间。为了能方便人们选择想要的商品,购物平台或视频平台都会对用户进行商品推荐。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:现有技术中用户对商品推荐的满意度较低。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于商品推荐的方法、装置和设备,以能够提高用户对商品推荐的满意度。
在一些实施例中,所述方法包括:获得用户与若干个商品的交互信息;将交互信息输入到预设的图神经网络模型,获得序列向量表征;图神经网络模型根据有向图获得;有向图根据交互信息生成;根据序列向量表征获得各商品被推荐的概率;根据各商品被推荐的概率进行商品推荐。
在一些实施例中,所述装置包括:处理器和存储有程序指令的存储器,处理器被配置为在执行所述程序指令时,执行上述的用于商品推荐的方法。
在一些实施例中,所述设备包括上述的用于商品推荐的装置。
本公开实施例提供的用于商品推荐方法、装置和设备,可以实现以下技术效果:能够通过将用户与各商品的交互信息输入预设的图神经网络模型,获得序列向量表征,根据序列向量表征获得各商品被推荐的概率,并根据各商品被推荐的概率进行商品推荐。由于考虑了用户与各商品的交互信息,使得推荐的商品更加符合用户的需求,从而提高了用户对商品推荐的满意度。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于商品推荐的方法的示意图;
图2是本公开实施例提供的一个用于商品推荐的装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。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。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
结合图1所示,本公开实施例提供一种用于商品推荐的方法,包括:
S101,获得用户与若干个商品的交互信息。
S102,将用户与若干个商品的交互信息输入到预设的图神经网络模型,获得序列向量表征;图神经网络模型根据有向图获得;有向图根据交互信息生成。
S103,根据序列向量表征获得各商品被推荐的概率。
S104,根据各商品被推荐的概率进行商品推荐。
采用本公开实施例提供的用于商品推荐的方法,能够通过将用户与各商品的交互信息输入预设的图神经网络模型,获得序列向量表征,根据序列向量表征获得各商品被推荐的概率,并根据各商品被推荐的概率进行商品推荐。由于考虑了用户与各商品的交互信息,使得推荐的商品更加符合用户的需求,从而提高了用户对商品推荐的满意度。
可选地,根据有向图获得图神经网络模型,包括:根据用户与若干个商品的交互信息获取有向图,将有向图作为训练样本集;根据训练样本集对图神经网络进行训练,获得图神经网络模型。
可选地,交互信息包括各商品信息,以及用户与各商品进行交互的时间戳,根据交互信息获取有向图,包括:将商品信息按照对应的时间戳进行排序,获得交互序列;将交互序列中的商品信息作为节点生成有向图。
可选地,各商品信息之间按照与用户交互的时间戳顺序生成有向边。可选地,有向图的有向边的初始节点对应的时间戳早于该有向边的终端节点对应的时间戳,例如,有向边A->B,表示用户与商品信息A对应的商品交互完之后又与商品信息B对应的商品发生了交互。
可选地,用户与各商品进行的交互为用户对商品做出的行为,包括:用户对商品进行点击、收藏、加购物车或购买等动作。
可选地,商品信息包括商品名称、商品类型、商品价格和商品材质等。
可选地,所有商品信息的集合为V=[c1,c2,…,ci,…,cn],其中,ci为集合V中第i个商品的商品信息,n为所有商品的商品信息的总数量,i和n均为正整数,1≤i≤n。
在一些实施例中,将各商品信息按照与用户交互的时间戳进行排序,获得交互序列s=[c1,c2,c3,…,ci,…,cm];其中,ci为与用户进行交互的第i个商品的商品信息,m为交互序列s中与用户进行交互的商品数量,i和m均为正整数,1≤i≤m≤n。可选地,i越小,对应的商品与用户交互的时间越早;i越大,对应的商品与用户交互的时间越晚。可选地,有向图Gs为根据序列s生成的有向图。可选地,有向图Gs中的第i个节点代表第i个商品。
可选地,根据训练样本集对图神经网络进行训练,包括:利用图神经网络的遗忘门和更新门对训练样本集进行训练获得商品向量表征;根据商品向量表征获得序列向量表征。
可选地,通过计算得到t时刻第i个节点对应的商品的商品向量表征;其中,为t时刻第i个节点对应的商品的商品向量表征,为t-1时刻第i个节点对应的商品的商品向量表征,符号⊙为矩阵元素对应相乘的运算符,为t时刻更新门对有向图Gs第i个节点的更新门参数,为t时刻第i个节点对应的商品的保留商品向量表征。可选地,通过t时刻更新门对有向图Gs第i个节点的更新门参数控制t-1时刻第i个节点对应的商品的商品向量表征和t时刻第i个节点对应的商品的保留商品向量表征生成t时刻第i个节点对应的商品的商品向量表征。
可选地,通过计算得到t时刻第i个节点对应的商品的保留商品向量表征;其中,Wo为更新门的第一配合矩阵,Uo为更新门的第二配合矩阵。为t时刻有向图Gs第i个节点对应的商品的线性变化商品向量表征,为t时刻有向图Gs第i个节点对应的商品的更新商品向量表征。
可选地,通过计算得到t时刻有向图Gs第i个节点对应的商品的线性变化商品向量表征;其中As为有向图Gs所有节点的出入度矩阵,As,i为有向图Gs第i个节点的出入度矩阵,为t-1时刻所有商品的商品向量表征,b为一维向量。可选地,一维向量b用于调整商品向量表征的线性变化范围。可选地,As的维度为n*2n,其结构为左边n列表示有向图所有节点的带权出度,右边n列表示有向图所有节点的带权入度;可选地,As,i的维度为n*2,其对应的两列分别表示节点vi的出入度。可选地,将t时刻第s个序列中第i个节点的商品向量表征与第s个序列中第i个节点的出入度矩阵进行线性变化获得第s个序列中第i个节点的线性变化商品向量表征。
可选地,各有向边出现次数除以该有向边的初始节点的出度得到该初始节点的带权出度;可选地,各有向边出现次数除以该有向边终端节点的入度得到该终端节点的带权入度。
可选地,根据商品向量表征获得序列向量表征,包括:根据商品向量表征获取用户的短期兴趣向量表征和用户的长期兴趣向量表征;根据短期兴趣向量表征和长期兴趣向量表征获取序列向量表征。
可选地,通过计算Sshort=vn得到短期兴趣向量表征。其中,Sshort为短期兴趣向量表征;vn为用户最后一次交互的商品的商品向量表征。用户最后一次进行交互的商品与用户下一次即将发生交互的商品存在关联性,这样,将用户最后一次交互的商品对应的商品向量表征作为短期兴趣向量表征,能够更加准确地反应用户近期购物习惯,由于考虑了用户近期的购物习惯,使得推荐的商品更符合用户的需求,从而提高了用户对商品推荐的满意度。
可选地,根据所述商品向量表征获取用户的长期兴趣向量表征,包括:根据预设的第一权重矩阵对所述商品向量表征进行转换,获得第一变化矩阵;根据第二权重矩阵对所述商品向量表征进行转换,获得第二变化矩阵;根据所述第一变化矩阵和所述第二变化矩阵生成商品信息之间的亲密矩阵;根据所述亲密矩阵和所述商品向量表征获取所述长期兴趣向量表征。
可选地,通过自注意力机制和商品向量表征得到长期兴趣向量表征。
可选地,通过计算Q'=Relu(VWQ)得到第一变化矩阵;其中,Q'为第一变化矩阵,V为各商品的商品向量表征所组成的矩阵,WQ为预设的第一权重矩阵,Relu为线性整流函数。
可选地,通过计算K'=Relu(VWK)得到第二变化矩阵;其中,K'为第一变化矩阵,V为各商品的商品向量表征所组成的矩阵,WK为预设的第二权重矩阵。
可选地,第一权重矩阵WQ和第二权重矩阵WK为根据自注意力机制的查询(query)和键(key)设置的超参数矩阵。
可选地,通过计算得到商品与商品之间的亲密矩阵;其中,S为商品与商品之间的亲密矩阵,即商品与商品之间的关联性;上标T为将矩阵进行转置的运算符;d为可开方参数,可选地,可开方参数用于提高点乘积注意力的优势。可选地,可开方参数的取值为100。
可选地,通过计算A=SV得到加权输出;其中,A为加权输出,S为商品与商品之间的亲密矩阵,V为各商品的商品向量表征所组成的矩阵。
可选地,通过得到长期兴趣向量表征;其中,Slong为长期兴趣向量表征,l为正整数,1≤l≤n。通过引入自注意力机制来计算序列中每一个商品对下一次预测结果的影响所占的权重,从而获得用户长期的购物习惯。用户长期的购物习惯可以反应用户长期的购物规律,由于考虑了用户长期的购物习惯和购物规律,使得推荐的商品更符合用户的需求,从而提高了用户对商品推荐的满意度。
可选地,通过计算Shybrid=WH[Sshort;Slong]得到序列向量表征;其中,Shybrid为序列向量表征,Slong为长期兴趣向量表征,WH为预设的压缩矩阵,可选地,通过压缩矩阵将短期兴趣与长期兴趣的向量表征压缩,以便进行下一步推荐。可选地,[Sshort;Slong]为将短期兴趣向量表征和长期兴趣向量表征纵向拼接。这样,将用户长期的购物习惯与用户短期的购物习惯相结合,获得更加准确的用户购物习惯,根据用户购物习惯对用户进行商品推荐,提高了用户对商品推荐的满意度。
可选地,根据序列向量表征获得各商品被推荐的概率,包括:获取序列向量表征与各商品向量表征之间的相似度;根据序列向量表征与各商品向量表征之间的相似度获取各商品被推荐的概率。
可选地,通过计算得到序列向量表征与第i个商品向量表征的相似度;其中,为序列向量表征与第i个商品向量表征的相似度,vi为第i个节点对应的商品的商品向量表征,Shybrid为序列向量表征,上标T为将矩阵进行转置的运算符。
可选地,将待推荐的商品按照对应的被推荐概率从大到小进行排序,将排名前预设名次的商品推荐给用户。例如,将排名第一的商品推荐给用户。
在一些实施例中,将用户与新的商品的交互信息输入到预设的图神经网络模型中,图神经网络模型利用训练好的序列向量表征来进行计算序列向量表征与商品对应的商品向量表征之间的关联性,从而得到各商品被推荐的概率,根据各商品被推荐的概率向用户推荐商品,提高了用户对商品推荐的满意度。
可选地,在获得图神经网络模型后,还包括:获取LOSS值;根据LOSS值对图神经网络模型进行优化。
可选地,通过LOSS值进行反向传播对图神经网络模型中的超参数进行优化,经过多次迭代,直到模型收敛达到最优的推荐效果。图神经网络模型中的超参数包括:Wz、Wr、Wo、Uz、Ur、Uo、b、WQ和WK。这样,经过多次重复计算LOSS值并进行反向传播对图神经网络模型进行优化,使得通过该图神经网络模型来获得商品被推荐的概率,从而使得用户对推荐的商品的满意度更高。
在一些实施例中,本公开实施例提供的商品推荐的方法适用包括于电商消费、影音娱乐等方面的商品内容的推荐。
结合图2所示,本公开实施例提供一种用于商品推荐的装置,包括处理器(processor)100和存储有程序指令的存储器(memory)101。可选地,该装置还可以包括通信接口(Communication Interface)102和总线103。其中,处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的程序指令,以执行上述实施例的用于商品推荐的方法。
此外,上述的存储器101中的程序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。
存储器101作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于商品推荐的方法。
存储器101可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;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器。
采用本公开实施例提供的用于商品推荐的装置,能够通过将用户与各商品的交互信息输入预设的图神经网络模型,获得序列向量表征,根据序列向量表征获得各商品被推荐的概率,并根据各商品被推荐的概率进行商品推荐。由于考虑了用户与各商品的交互信息,使得推荐的商品更加符合用户的需求,从而提高了用户对商品推荐的满意度。
本公开实施例提供了一种设备,包含上述的用于商品推荐的装置。
可选地,设备包括计算机、服务器等。
可选地,设备为服务器的情况下,通过用户终端将排名前预设名次的商品,推荐给用户。可选地,用户终端为智能手机和平板电脑等。
该设备能够通过将用户与各商品的交互信息输入预设的图神经网络模型,获得序列向量表征,根据序列向量表征获得各商品被推荐的概率,并根据各商品被推荐的概率进行商品推荐。由于考虑了用户与各商品的交互信息,使得推荐的商品更加符合用户的需求,从而提高了用户对商品推荐的满意度。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述用于商品推荐的方法。
本公开实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述用于商品推荐的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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,包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,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)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。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单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种用于商品推荐的方法,其特征在于,包括:
获得用户与若干个商品的交互信息;
将所述交互信息输入到预设的图神经网络模型,获得序列向量表征;所述图神经网络模型根据有向图获得;所述有向图根据所述交互信息生成;
根据所述序列向量表征获得各商品被推荐的概率;
根据所述概率进行商品推荐。
2.根据权利要求1所述的方法,其特征在于,根据所述有向图获得所述图神经网络模型,包括:
根据所述交互信息获取所述有向图,将所述有向图作为训练样本集;
根据所述训练样本集对图神经网络进行训练,获得所述图神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述交互信息包括各所述商品信息,以及用户与各所述商品进行交互的时间戳,根据所述交互信息获取所述有向图,包括:
将商品信息按照对应的时间戳进行排序,获得交互序列;
将所述交互序列中的商品信息作为节点生成所述有向图。
4.根据权利要求3所述的方法,其特征在于,根据所述训练样本集对图神经网络进行训练,包括:
利用图神经网络的遗忘门和更新门对所述训练样本集进行训练获得商品向量表征;
根据所述商品向量表征获得序列向量表征。
5.根据权利要求4所述的方法,其特征在于,根据所述商品向量表征获得所述序列向量表征,包括:
根据所述商品向量表征获取用户的短期兴趣向量表征和用户的长期兴趣向量表征;
根据所述短期兴趣向量表征和所述长期兴趣向量表征获取所述序列向量表征。
6.根据权利要求5所述的方法,其特征在于,根据所述商品向量表征获取用户的长期兴趣向量表征,包括:
根据预设的第一权重矩阵对所述商品向量表征进行转换,获得第一变化矩阵;
根据第二权重矩阵对所述商品向量表征进行转换,获得第二变化矩阵;
根据所述第一变化矩阵和所述第二变化矩阵生成商品信息之间的亲密矩阵;
根据所述亲密矩阵和所述商品向量表征获取所述长期兴趣向量表征。
7.根据权利要求4所述的方法,根据所述序列向量表征获得各商品被推荐的概率;包括:
获取所述序列向量表征与所述商品向量表征之间的相似度;
根据所述相似度获取各商品被推荐的概率。
8.根据权利要求2至6任一项所述的方法,其特征在于,获得所述图神经网络模型后,还包括:
获取LOSS值;
根据所述LOSS值对所述图神经网络模型进行优化。
9.一种用于商品推荐的装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至8任一项所述的用于商品推荐的方法。
10.一种设备,其特征在于,包括如权利要求9所述的用于商品推荐的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110079490.9A CN112669127B (zh) | 2021-01-21 | 2021-01-21 | 用于商品推荐的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110079490.9A CN112669127B (zh) | 2021-01-21 | 2021-01-21 | 用于商品推荐的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669127A true CN112669127A (zh) | 2021-04-16 |
CN112669127B CN112669127B (zh) | 2024-03-05 |
Family
ID=75415904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110079490.9A Active CN112669127B (zh) | 2021-01-21 | 2021-01-21 | 用于商品推荐的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669127B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491294A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技(深圳)有限公司 | 基于图神经网络的数据推荐方法及装置、电子设备 |
CN116342228A (zh) * | 2023-05-18 | 2023-06-27 | 云筑信息科技(成都)有限公司 | 一种基于有向图神经网络的相关推荐的方法 |
CN114491294B (zh) * | 2022-02-16 | 2024-06-28 | 平安科技(深圳)有限公司 | 基于图神经网络的数据推荐方法及装置、电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180121798A1 (en) * | 2016-10-31 | 2018-05-03 | Microsoft Technology Licensing, Llc | Recommender system |
CN111667067A (zh) * | 2020-05-28 | 2020-09-15 | 平安医疗健康管理股份有限公司 | 基于图神经网络的推荐方法、装置和计算机设备 |
US10824940B1 (en) * | 2016-11-30 | 2020-11-03 | Amazon Technologies, Inc. | Temporal ensemble of machine learning models trained during different time intervals |
CN112150210A (zh) * | 2020-06-19 | 2020-12-29 | 南京理工大学 | 一种基于ggnn网络的改进型神经网络推荐方法及系统 |
-
2021
- 2021-01-21 CN CN202110079490.9A patent/CN112669127B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180121798A1 (en) * | 2016-10-31 | 2018-05-03 | Microsoft Technology Licensing, Llc | Recommender system |
US10824940B1 (en) * | 2016-11-30 | 2020-11-03 | Amazon Technologies, Inc. | Temporal ensemble of machine learning models trained during different time intervals |
CN111667067A (zh) * | 2020-05-28 | 2020-09-15 | 平安医疗健康管理股份有限公司 | 基于图神经网络的推荐方法、装置和计算机设备 |
CN112150210A (zh) * | 2020-06-19 | 2020-12-29 | 南京理工大学 | 一种基于ggnn网络的改进型神经网络推荐方法及系统 |
Non-Patent Citations (1)
Title |
---|
YIFAN WANG等: "DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation", 《CIKM\'20 :PROCEEDINGS OF THE 29TH ACM INTERNATIONAL CONFERENCE ON INFORMATION&KNOWLEDGE MANAGEMANT》, 19 October 2020 (2020-10-19), pages 1605 - 1614, XP059104712, DOI: 10.1145/3340531.3411996 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491294A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技(深圳)有限公司 | 基于图神经网络的数据推荐方法及装置、电子设备 |
CN114491294B (zh) * | 2022-02-16 | 2024-06-28 | 平安科技(深圳)有限公司 | 基于图神经网络的数据推荐方法及装置、电子设备 |
CN116342228A (zh) * | 2023-05-18 | 2023-06-27 | 云筑信息科技(成都)有限公司 | 一种基于有向图神经网络的相关推荐的方法 |
CN116342228B (zh) * | 2023-05-18 | 2023-10-20 | 云筑信息科技(成都)有限公司 | 一种基于有向图神经网络的相关推荐的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112669127B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramlatchan et al. | A survey of matrix completion methods for recommendation systems | |
Brand | Fast online svd revisions for lightweight recommender systems | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN110175895B (zh) | 一种物品推荐方法及装置 | |
MacDonald et al. | Latent space models for multiplex networks with shared structure | |
CN111179031B (zh) | 一种商品推荐模型的训练方法、装置及系统 | |
Pujahari et al. | Aggregation of preference relations to enhance the ranking quality of collaborative filtering based group recommender system | |
US20220101093A1 (en) | Platform for selection of items used for the configuration of an industrial system | |
KR101635283B1 (ko) | 행렬 분해 모델 기반 데이터 분석 방법 및 장치 | |
CN110598120A (zh) | 基于行为数据的理财推荐方法及装置、设备 | |
CN114896517A (zh) | 一种商品推荐方法、系统、设备及存储介质 | |
CN112712418A (zh) | 推荐商品信息的确定方法和装置、存储介质及电子设备 | |
WO2012034606A2 (en) | Multiverse recommendation method for context-aware collaborative filtering | |
CN113705698B (zh) | 基于点击行为预测的信息推送方法及装置 | |
CN112669127B (zh) | 用于商品推荐的方法、装置及设备 | |
Purkaystha et al. | Rating prediction for recommendation: Constructing user profiles and item characteristics using backpropagation | |
CN116383458B (zh) | 信息推送的方法及装置 | |
Weimer et al. | Adaptive collaborative filtering | |
CN112541128A (zh) | 基于特征双向动态协同的个性化新闻推荐方法 | |
CN108876422A (zh) | 用于信息推广的方法、装置、电子设备及计算机可读介质 | |
CN116823404A (zh) | 商品组合推荐方法及其装置、设备、介质 | |
Salah et al. | Probabilistic collaborative representation learning for personalized item recommendation | |
Hao et al. | A location-sensitive over-the-counter medicines recommender based on tensor decomposition | |
CN112488355A (zh) | 基于图神经网络预测用户评级的方法和装置 | |
Thai-Nghe et al. | Recommendations in e-commerce systems based on deep matrix factorization |
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 |