CN113379494A - 基于异质社交关系的商品推荐方法、装置和电子设备 - Google Patents
基于异质社交关系的商品推荐方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113379494A CN113379494A CN202110648210.1A CN202110648210A CN113379494A CN 113379494 A CN113379494 A CN 113379494A CN 202110648210 A CN202110648210 A CN 202110648210A CN 113379494 A CN113379494 A CN 113379494A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- hypergraph
- network
- representation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 239000013598 vector Substances 0.000 claims abstract description 257
- 238000012549 training Methods 0.000 claims abstract description 110
- 238000004364 calculation method Methods 0.000 claims abstract description 72
- 230000006870 function Effects 0.000 claims description 78
- 238000004220 aggregation Methods 0.000 claims description 49
- 230000002776 aggregation Effects 0.000 claims description 47
- 239000000126 substance Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 27
- 230000003993 interaction Effects 0.000 claims description 22
- 239000013604 expression vector Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000000265 homogenisation Methods 0.000 description 5
- 230000011273 social behavior Effects 0.000 description 5
- 230000003997 social interaction Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000192 social effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06F16/95—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
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Abstract
本发明提供一种基于异质社交关系的商品推荐方法、装置和电子设备,包括:确定待推荐商品的用户;将用户输入推荐模型,输出所有商品的推荐度;推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,异质社交关系表示超图卷积网络用于将输入的样本用户结合样本用户存在社交关系的用户标签组成的两用户一商品超边三元组采用向量进行表示;基于推荐度,确定为所述用户推荐的商品。本发明提供的方法提高了商品推荐的有效性。
Description
技术领域
本发明涉及电子商务用户行为分析技术领域,尤其涉及一种基于异质社交关系的商品推荐方法、装置和电子设备。
背景技术
作为一种有效的缓解信息过载的手段,推荐系统已经在很多的现实场景中得到了广泛的应用。随着现代社交网络的快速发展,怎样更好利用用户在社交网络中产生的交互数据,已经成为了一个非常重要的问题。众多基于社交网络的推荐系统已经在过去数年间快速地被发展起来。
目前使用机器学习的社交推荐系统,在利用用户社交交互信息的方面有多种不同的思路。一些现有模型使用正则化(Regularization)方法或者多任务学习(Multi-taskLearning)使得建立社交关系的用户在嵌入空间(Embedding Space)中的距离尽可能的小。另一些已有的工作则提出了共享隐式向量表示的方法来使朋友之间的嵌入尽可能的平滑。
尽管以上提到的社交推荐系统方法引入了社交关系,来提升推荐系统和缓解数据稀疏的问题。然而这些方法都拥有共同的缺陷,那就是忽略了一个重要的事实,即用户和他的朋友们并不是单一维度的相似与否,而是用户和其朋友在不同的商品上有着不同的影响力或行为共性。例如,一个用户也许会和他的同班同学喜欢相同的书,而和他的家人对食物有相同的偏好。换句话说,社交关系实际上对用户的行为具有非同质化(Inhomogeneous)的影响。
随着社交网络和电商平台的深度融合,如果想要更好的刻画用户的隐式喜好的话,这样的非同质化影响就必须要纳入考虑的范围。例如,在社交化电商平台中,一种新的社交交互正在变得越来越常见,图1为现有技术提供的分享行为示意图,如图1所示,当用户与朋友共享商品时,所分享的商品就可以一定程度上反映他们之间细粒度的共同兴趣(fine-grained common interests)。另一个例子是团购行为,图2为现有技术提供的团购行为示意图,如图2所示,即两个(或更多)用户发起一个团购,并一起购买特定的商品。考虑到人们会与不同的朋友购买不同的商品,例如与网球伙伴一起购买球拍,与同事一起购买笔记本电脑,不均匀效应在这里起着重要作用。
这些新型的电商交互行为给研究非同质化的社会效应对用户行为的提供了宝贵的机会。实际上,不难将上述例子统一概括为“用户-用户-项目”的三元关系。然而,现有的推荐系统从未对“用户-用户-项目”三元关系进行过系统的研究。直接将非同质化的社交关系简化为同质的,或者简单地用标量权重来表示强度,都不能很好地对非同质化的社会关系进行建模。
然而现有的相关工作存在以下几点局限:1、对于用户之间的关系建模是同质化的,而如前所述,用户之间的社交关系很可能是非同质化的,即除了用户之间关系的紧密程度外,不同关系的用户之间在不同商品上的偏好有不同的相似模式;2、只能处理二值化的社交关系矩阵,即两个用户之间只存在两种状态,即是好友或者不是好友,但是显然对于现实中的社交电商,丰富的交互数据如社交分享和团购行为,都不是简单的二值化矩阵所能描述的,这限制了以上专利的应用场景;3、模型的可拓展性是前述方法的重大缺陷,由于前面的模型大多是端到端的模型,他们对于社交交互数据的建模往往是不足的,不能对下游任务,如关系预测、多关系分类有所帮助。
因此,如何避免现有的基于社交数据的商品推荐方法中由于只搜集同质化信息而忽略非同质化关系对商品推荐的影响造成的商品推荐有效性低的情况,仍然是本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于异质社交关系的商品推荐方法、装置和电子设备,用以解决现有的基于社交数据的商品推荐方法中由于只搜集同质化信息而忽略非同质化关系对商品推荐的影响造成的商品推荐有效性低的问题,通过采用机器学习的模式,在推荐模型的训练过程中构建包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络的神经网络结构,其中,所述异质社交关系表示超图卷积网络将社交购物平台中的异质社交关系进行向量表示,后续的商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络都基于之前的异质社交关系表示向量进一步对参与训练的所有社交购物平台上的商品和用户进行嵌入式表示得到商品向量和用户向量,所述商品用户推荐度计算网络再基于所有商品向量和用户向量确定对于该用户社交购物平台内所有商品的推荐度数值,基于各个推荐度数值筛选出最终的推荐商品。在训练过程中,通过已经有的交易信息作为参考标准计算损失函数对推荐模型的前面四个基于异质社交关系对用户和商品进行编码的待优化参数进行不断修正,直到所有用户和商品的编码向量表示能符合它们之间的是否有交易关系。将除了已经产生交易的行为的同质关系之外的异质社交关系数据也纳入推荐模型的训练数据集中,提高推荐模型的准确率。
本发明提供一种基于异质社交关系的商品推荐方法,包括:
确定社交购物平台中待推荐商品的用户;
将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;
其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;
基于所述推荐度,确定为所述用户推荐的商品。
根据本发明提供的一种基于异质社交关系的商品推荐方法,所述样本用户、对应的购买商品标签以及存在社交关系的用户标签的构建,具体包括:
从所述社交购物平台中累积的用户交易数据中确定样本用户以及对应的购买商品正标签、未购买商品负标签;
从所述社交购物平台中累积的用户社交数据中确定所述样本用户存在社交关系的用户标签和关联商品标签;
其中,所述社交关系基于用户之间对于所述关联商品的交互行为确定。
根据本发明提供的一种基于异质社交关系的商品推荐方法,所述推荐模型训练时的网络结构包括依次连接的异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,具体包括:
所述推荐模型的训练过程中,
异质社交关系表示超图卷积网络将输入的样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组采用第一超图卷积网络计算,将所述第一超图卷积网络每一层计算得到的超边嵌入表示向量均输出至商品向量表示超图卷积网络、关系向量表示超图卷积网络和用户嵌入表示超图卷积网络;
所述商品向量表示超图卷积网络将输入的各层超边嵌入表示向量结合任一商品对应的所述超边三元组集合采用自环结构的第二超图卷积网络进行计算,将所述第二超图卷积网络每一层计算得到的任一商品向量均输出至所述用户嵌入表示超图卷积网络、所述异质社交关系表示超图卷积网络和商品用户推荐度计算网络;
所述关系表示超图卷积网络将输入的各层任一商品向量采用第三超图卷积网络进行计算,将所述第三超图卷积网络每一层计算得到的任两用户关系向量均输出至所述用户嵌入表示超图卷积网络;
所述用户嵌入式表示超图卷积网络将输入的各层超边嵌入表示向量和各层任两用户关系向量采用第四超图卷积网络进行计算,将所述第四超图卷积网络每一层计算得到的任一用户嵌入表示向量均输出至所述商品用户推荐度计算网络和所述异质社交关系表示超图卷积网络;
所述商品用户推荐度计算网络基于输入的各层任一用户嵌入表示向量和各层任一商品向量对输入的样本用户进行推荐商品预测,基于预测结果和样本用户对应的未购买商品负标签构建损失函数;
其中,所述第一超图卷积网络、所述第二超图卷积网络、所述第三超图卷积网络和所述第四超图卷积网络的层数相同。
根据本发明提供的一种基于异质社交关系的商品推荐方法,所述异质社交关系表示超图卷积网络将输入的样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组采用第一超图卷积网络计算得到所述第一超图卷积神经网络各层对应的超边嵌入表示向量,具体包括:
其中,e为任一样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组,表示超边e连接的所有用户节点和商品节点,w为中存在连接关系的商品用户节点对,为所述商品向量表示超图卷积网络在第k-1卷积层输出的目标商品向量和所述用户嵌入式表示超图卷积网络在第k-1卷积层输出的目标用户嵌入表示向量组成的矩阵,所述目标商品和所述目标用户存在所述w中的连接关系,aggregate1(·)表示第一聚合函数,k=1,2,…,L,L为所述第一超图卷积网络中的卷积层总数;
对应地,所述商品向量表示超图卷积网络将输入的各层超边嵌入表示向量结合任一商品对应的所述超边三元组集合采用自环结构的第二超图卷积网络进行计算得到所述第二超图卷积神经网络各层对应的商品表示向量,具体包括:
其中,表示所有连接所述任一商品j的超边三元组的集合,e为所述集合中的任一超边三元组,为所述第一超图卷积网络中的第k卷积层输出的所述任一超边三元组e的超边嵌入表示向量,aggregate2(·)表示第二聚合函数,k=1,2,…,L;
所述关系表示超图卷积网络将输入的各层任一商品向量采用第三超图卷积网络进行计算得到所述第三超图卷积神经网络各层对应的任两用户关系向量,具体包括:
所述用户嵌入式表示超图卷积网络将输入的各层超边嵌入表示向量和各层任两用户关系向量采用第四超图卷积网络进行计算得到所述第四超图卷积神经网络各层对应的任一用户嵌入表示向量,具体包括:
其中,是连接所述任一用户i的所有超边的集合,e为所述集合中的任一目标超边三元组,为所述第一超图卷积网络中第k卷积层输出的所述任一目标超边三元组e的超边嵌入表示向量,是所有与所述任一用户i有社交关系的用户的集合,是所述第四超图卷积网络中的第k卷积层输出的任一用户w的嵌入表示向量,aggregate4(·)表示第四聚合函数,aggregate5(·)表示第五聚合函数,为所述第四超图卷积网络中的第k-1卷积层输出的任一用户i的嵌入表示,k=1,2,…,L。
根据本发明提供的一种基于异质社交关系的商品推荐方法,所述第一聚合函数、所述第二聚合函数、所述第三聚合函数和所述第四聚合函数均为平均聚合函数,所述第五聚合函数基于多层感知机MLP确定;
根据本发明提供的一种基于异质社交关系的商品推荐方法,所述商品用户推荐度计算网络基于输入的各层任一用户嵌入表示向量和各层任一商品向量对输入的样本用户进行推荐商品预测,具体包括:
其中,Ek为参与推荐模型训练的训练数据集中所有用户和所有商品在每一卷积层输出的嵌入表示,m和n分别表示参与推荐模型训练的训练数据集中的用户数量和商品数量,E*=E0||···||EL=[P*,Q*],L为所述第一超图卷积网络中的卷积层总数,为P*中用户i的嵌入表示向量,为Q*中商品j1的嵌入表示向量;
其中,Ek为参与推荐模型训练的训练数据集中所有用户和所有商品在每一卷积层输出的嵌入表示,m和n分别表示参与推荐模型训练的训练数据集中的用户数量和商品数量,E*=E0||···||EL=[P*,Q*],L为所述第一超图卷积网络中的卷积层总数,为P*中用户i的嵌入表示向量,为Q*中商品j2的嵌入表示向量。
根据本发明提供的一种基于异质社交关系的商品推荐方法,所述基于预测结果和样本用户对应的未购买商品负标签构建损失函数,具体包括:
通过如下公式计算损失函数Loss:
其中,是样本用户i以及对应的购买商品正标签j1、未购买商品负标签j2组成的训练数据三元组的集合,为所述商品用户推荐度计算网络基于样本用户i的嵌入表示向量和商品正标签j1确定的正预测推荐度数值,为所述商品用户推荐度计算网络基于样本用户i的嵌入表示向量和商品正标签j2确定的负预测推荐度数值,Θ为推荐模型训练初始化输入的第0层的嵌入向量参数E0,为L2范数,λ为L2正则项系数。
本发明还提供一种基于异质社交关系的商品推荐装置,包括:
确定单元,用于确定社交购物平台中待推荐商品的用户;
推荐度单元,用于将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;
其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;
推荐单元,用于基于所述推荐度,确定为所述用户推荐的商品。
本发明还提供一种电子设备,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如上述任一种所述的基于异质社交关系的商品推荐方法的步骤。
本发明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如上述任一种所述的基于异质社交关系的商品推荐方法的步骤。
本发明提供的基于异质社交关系的商品推荐方法、装置和电子设备,通过确定社交购物平台中待推荐商品的用户;将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;基于所述推荐度,确定为所述用户推荐的商品;其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示。由于采用机器学习的模式,在推荐模型的训练过程中构建包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络的神经网络结构,其中,所述异质社交关系表示超图卷积网络将社交购物平台中的异质社交关系进行向量表示,后续的商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络都基于之前的异质社交关系表示向量进一步对参与训练的所有社交购物平台上的商品和用户进行嵌入式表示得到商品向量和用户向量,所述商品用户推荐度计算网络再基于所有商品向量和用户向量确定对于该用户社交购物平台内所有商品的推荐度数值,基于各个推荐度数值筛选出最终的推荐商品。在训练过程中,通过已经有的交易信息作为参考标准计算损失函数对推荐模型的前面四个基于异质社交关系对用户和商品进行编码的待优化参数进行不断修正,直到所有用户和商品的编码向量表示能符合它们之间的是否有交易关系。将除了已经产生交易的行为的同质关系之外的异质社交关系数据也纳入推荐模型的训练数据集中,提高推荐模型的有效性。因此,本发明提供的方法、装置和电子设备,提高了基于异质社交关系的商品推荐的有效性。
附图说明
为了更清楚地说明本发明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为现有技术提供的分享行为示意图;
图2为现有技术提供的团购行为示意图;
图3为本发明提供的一种基于异质社交关系的商品推荐方法的流程示意图;
图4为本发明提供的超边-虚拟接地那示意图;
图5为本发明提供的超边和关系的卷积表示图;
图6为本发明提供的用户建模示意图;
图7为本发明提供的商品推荐预测系统的流程图;
图8为本发明提供的基于异质社交关系的商品推荐装置的结构示意图;
图9为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
由于现有的基于社交数据的商品推荐方法中普遍存在由于只搜集同质化信息而忽略非同质化关系对商品推荐的影响造成的商品推荐有效性低的问题。下面结合图3-图7描述本发明的一种基于异质社交关系的商品推荐方法。图3为本发明提供的一种基于异质社交关系的商品推荐方法的流程示意图,如图3所示,该方法包括:
步骤310,确定社交购物平台中待推荐商品的用户。
具体地,本发明提供的基于异质社交关系的商品推荐方法是针对确定的社交购物平台而言,即从采集的用户和商品数据信息都是基于该社交购物平台中记录的真实的交易行为和社交行为采集的,且用户和商品用各自的ID进行编码表示,因此,本发明的推荐方法只是针对于该社交购物平台中已经存在且有过社交行为或者购物行为的用户而言,对于没有在该社交购物平台产生过任何行为数据的用户,不能做出商品推荐。所述社交购物平台除了用户可以购买平台上的商品外,社交行为包括与另一个用户分享某件商品,或者与另一个用户团购某件商品,此处将分享行为和团购行为定义为异质社交关系,即除了用户与商品之间的购买关系和用户之间的好友关系这种二元对应同质关系之外的三元组关系。先确定需要进行商品推荐的用户,然后取出该用户的ID以预设编码方式获得其用户初始表示向量用于代表该用户。
步骤320,将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;
其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示。
具体地,将待推荐商品的用户输入推荐模型,输出的即为所述平台内所有商品的推荐度数值,此处对于平台内所有商品进行说明,平台内所有商品事实上是指平台内所有参与过交易后者用户的社交行为的商品,对于平台内没有被单独购买、没有被团购且没有被分享过的商品,不需要为待推荐商品的用户计算该商品的推荐度数值,因为推荐度数值必然会非常低,没有必要参与商品推荐计算。其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述样本用户、对应的购买商品标签以及存在社交关系的用户标签是基于该社交购物平台保存的所有历史数据,包括用户-商品交互数据(即购买行为或点击行为)和样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组形式的社交关系数据(即商品分享行为或者团购行为等),从中进行筛选出符合条件的条目作为模型的训练数据。以上的筛选是必要的,由于用户和商品的交互往往是稀疏的,所以往往在现实中的电商平台中存在着大量的用户没有发生过购买行为或者建立社交关系,这些孤立的节点会导致大量计算资源的浪费。同时经过筛选后的商品和用户也会具有更好的连续性,减少模型预测的方差。
基于用户-用户-商品超边三元组社交关系数据来进行非同质化社交推荐的问题可以表示为如下形式:已知用户和商品的交互数据Y以及复杂的三元组社交关系数据ε,推荐模型要预测的是任意一个用户对于任意一个商品的喜好程度。其中用户-商品交互数据Y是二元组(i,j)的集合,每一个元素表示用户i和商品j进行了直接交互。社交关系数据E是三元组(i1,i2,j)的集合,其中每一个元素表示用户i1和用户i2关于商品j发生了一次社交互动。
由于推荐模型遵从的是表示学习(Representation Learning)的基本框架,所以模型要学习的就是用户和商品的嵌入表示。推荐模型在训练过程中由异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络组成整体神经网络的结构,其中,所述异质社交关系表示超图卷积网络将社交购物平台中的异质社交关系进行向量表示,在超图上利用超图卷积层进行信息传播(Propagation),超图卷积的过程不仅使模型能够学习到节点的一阶邻接信息,通过多层卷积还可以学习高维的邻接信息,后续的商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络都基于之前的异质社交关系表示向量进一步对参与训练的所有社交购物平台上的商品和用户进行嵌入式表示得到商品向量和用户向量,即通过了异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络上述四个网络的L层图卷积后,将最终得到的用户和商品的低维向量表示,所述商品用户推荐度计算网络再基于所有商品向量和用户向量确定对于该用户社交购物平台内所有商品的推荐度数值,基于各个推荐度数值筛选出最终的推荐商品。在训练过程中,通过已经有的交易信息作为参考标准计算损失函数对推荐模型的前面四个基于异质社交关系对用户和商品进行编码的待优化参数进行不断修正,直到所有用户和商品的编码向量表示能符合它们之间的是否有交易关系。将除了已经产生交易的行为的同质关系之外的异质社交关系数据也纳入推荐模型的训练数据集中,提高推荐模型的有效性。
步骤330,基于所述推荐度,确定为所述用户推荐的商品。
具体地,根据得到的所以参与推荐度数值计算的商品的推荐度数值,以预设规则基于所有推荐度数值进行筛选,选出为所述用户推荐的商品。其中,所述预设规则可以是选出推荐度数值最大的或者推荐度数值从大到小排序中的前N位对应的商品进行推荐,N为预设个数,或者设定阈值,选择推荐度数值超过所述阈值的商品进行推荐,或者采用阈值和排序结合的方式等等,此处不作具体限定。
本发明提供的基于异质社交关系的商品推荐方法,通过确定社交购物平台中待推荐商品的用户;将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;基于所述推荐度,确定为所述用户推荐的商品;其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示。由于采用机器学习的模式,在推荐模型的训练过程中构建包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络的神经网络结构,其中,所述异质社交关系表示超图卷积网络将社交购物平台中的异质社交关系进行向量表示,后续的商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络都基于之前的异质社交关系表示向量进一步对参与训练的所有社交购物平台上的商品和用户进行嵌入式表示得到商品向量和用户向量,所述商品用户推荐度计算网络再基于所有商品向量和用户向量确定对于该用户社交购物平台内所有商品的推荐度数值,基于各个推荐度数值筛选出最终的推荐商品。在训练过程中,通过已经有的交易信息作为参考标准计算损失函数对推荐模型的前面四个基于异质社交关系对用户和商品进行编码的待优化参数进行不断修正,直到所有用户和商品的编码向量表示能符合它们之间的是否有交易关系。将除了已经产生交易的行为的同质关系之外的异质社交关系数据也纳入推荐模型的训练数据集中,提高推荐模型的有效性。因此,本发明提供的方法,提高了基于异质社交关系的商品推荐的有效性。
基于上述实施例,该方法中,所述样本用户、对应的购买商品标签以及存在社交关系的用户标签的构建,具体包括:
从所述社交购物平台中累积的用户交易数据中确定样本用户以及对应的购买商品正标签、未购买商品负标签;
从所述社交购物平台中累积的用户社交数据中确定所述样本用户存在社交关系的用户标签和关联商品标签;
其中,所述社交关系基于用户之间对于所述关联商品的交互行为确定。
具体地,从社交购物平台中累积的真实历史用户交易数据中确定样本用户以及对应的购买商品正标签,所述样本用户的未购买商品负标签是从参与商品推荐的平台所有商品中除去所述购买商品正标签以外的其他商品中随机选取的;对于还需要提取的用户-用户-商品超边三元组社交关系数据,从社交购物平台中累积的真实用户社交数据中确定所述样本用户存在社交关系的用户标签和关联商品标签,其中,所述社交关系基于用户之间对于所述关联商品的交互行为确定,所述交互行为可以是用户之间对于某一关联商品的分享行为,或者用户之间邀请进行某一关联商品的团购行为,等等,此处不作具体限定。
基于上述实施例,该方法中,所述推荐模型训练时的网络结构包括依次连接的异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,具体包括:
所述推荐模型的训练过程中,
异质社交关系表示超图卷积网络将输入的样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组采用第一超图卷积网络计算,将所述第一超图卷积网络每一层计算得到的超边嵌入表示向量均输出至商品向量表示超图卷积网络、关系向量表示超图卷积网络和用户嵌入表示超图卷积网络;
所述商品向量表示超图卷积网络将输入的各层超边嵌入表示向量结合任一商品对应的所述超边三元组集合采用自环结构的第二超图卷积网络进行计算,将所述第二超图卷积网络每一层计算得到的任一商品向量均输出至所述用户嵌入表示超图卷积网络、所述异质社交关系表示超图卷积网络和商品用户推荐度计算网络;
所述关系表示超图卷积网络将输入的各层任一商品向量采用第三超图卷积网络进行计算,将所述第三超图卷积网络每一层计算得到的任两用户关系向量均输出至所述用户嵌入表示超图卷积网络;
所述用户嵌入式表示超图卷积网络将输入的各层超边嵌入表示向量和各层任两用户关系向量采用第四超图卷积网络进行计算,将所述第四超图卷积网络每一层计算得到的任一用户嵌入表示向量均输出至所述商品用户推荐度计算网络和所述异质社交关系表示超图卷积网络;
所述商品用户推荐度计算网络基于输入的各层任一用户嵌入表示向量和各层任一商品向量对输入的样本用户进行推荐商品预测,基于预测结果和样本用户对应的未购买商品负标签构建损失函数;
其中,所述第一超图卷积网络、所述第二超图卷积网络、所述第三超图卷积网络和所述第四超图卷积网络的层数相同。
具体地,首先对超图(Hypergraph)的定义进行说明:超图是通过引入超边(Hyperedge)来建立对象间成对关系,是普通图(Graph)的推广。超边可以连接任意数量的顶点。严格的定义可以概括为:超图H是一对H=(x,ε),其中X是一个集合,其元素称为节点或顶点,ε是一个X的非空子集的集合,其元素称为超边或边。其中,超边连接的节点数称之为超边的度(Degree)。
在本发明提供的推荐模型训练时的神经网络结构确定过程中,只利用三元社交关系来构造超图,也就是本发明使用的图是正则图(3-uniform)。因此,本发明的图中只有度为3的边,度为2的边(也即用户-商品直接交互的数据)将通过损失函数来训练整个网络。
本发明用一个低维向量Pi∈Rd来描述用户i,用一个低维向量Qj∈Rd来描述商品j,其中d表示嵌入维度。那么完整的嵌入矩阵可表示为:E=[P1,…,Pm,Q1,…,Qn]=[P,Q],其中m,n分别表示用户数和商品数。在下文中,本发明中将使用Ek=[Pk,Qk]来表示第k层超图卷积后的输出嵌入矩阵;其中,E0即表示E。
不同于传统的推荐系统算法,本发明中不仅超图中的每一个节点都需要一个低维向量表示,超边也需要以某种方式进行高维度的刻画,而不是简单的二值化处理。其内在思想在于超边破除了边连接的节点数量,这导致了边的信息熵大大提高,也即边本身拥有了更多的可能性。而由于边是动态产生的,所以赋予一个独立可训练的低维向量表示会导致过大的内存占用,故本发明提出为超边赋予导出的向量表示。因此,异质社交关系表示超图卷积网络将输入的样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组采用第一超图卷积网络计算,将所述第一超图卷积网络每一层计算得到的超边嵌入表示向量均输出至商品向量表示超图卷积网络、关系向量表示超图卷积网络和用户嵌入表示超图卷积网络,以上推荐模型中的五个模块异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络之间的连接关系如下:所述异质社交关系表示超图卷积网络的输出端分别与所述商品向量表示超图卷积网络、所述关系向量表示超图卷积网络和所述用户嵌入表示超图卷积网络的输入端相连,即第一超图卷积网络每一层计算得到的超边嵌入表示向量均输出至所述商品向量表示超图卷积网络、所述关系向量表示超图卷积网络和所述用户嵌入表示超图卷积网络,所述商品向量表示超图卷积网络的输出端与所述商品用户推荐度计算网络和所述异质社交关系表示超图卷积网络的输入端相连,即第二超图卷积网络每一层计算得到的商品表示向量输出至所述商品用户推荐度计算网络和所述异质社交关系表示超图卷积网络,所述异质社交关系表示超图卷积网络的输出端只与所述用户嵌入表示超图卷积网络的输入端相连,即第三超图卷积网络每一层计算得到的任两用户关系向量只输出至所述用户嵌入表示超图卷积网络,所述用户嵌入表示超图卷积网络的输出端与所述商品用户推荐度计算网络和所述异质社交关系表示超图卷积网络的输入端相连,即所述第四超图卷积网络每一层计算得到的任一用户的嵌入表示向量输出至所述商品用户推荐度计算网络和所述异质社交关系表示超图卷积网络,最后的商品用户推荐度计算网络基于第二超图卷积网络和第四超图卷积网络分别输入的每一层商品向量表示和每一层用户嵌入表示向量计算商品用户之间的推荐度数值。
基于上述实施例,该方法中,所述异质社交关系表示超图卷积网络将输入的样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组采用第一超图卷积网络计算得到所述第一超图卷积神经网络各层对应的超边嵌入表示向量,具体包括:
其中,e为任一样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组,表示超边e连接的所有用户节点和商品节点,w为中存在连接关系的商品用户节点对,为所述商品向量表示超图卷积网络在第k-1卷积层输出的目标商品向量和所述用户嵌入式表示超图卷积网络在第k-1卷积层输出的目标用户嵌入表示向量组成的矩阵,所述目标商品和所述目标用户存在所述w中的连接关系,aggregate1(·)表示第一聚合函数,k=1,2,…,L,L为所述第一超图卷积网络中的卷积层总数;
对应地,所述商品向量表示超图卷积网络将输入的各层超边嵌入表示向量结合任一商品对应的所述超边三元组集合采用自环结构的第二超图卷积网络进行计算得到所述第二超图卷积神经网络各层对应的商品表示向量,具体包括:
其中,表示所有连接所述任一商品j的超边三元组的集合,e为所述集合中的任一超边三元组,为所述第一超图卷积网络中的第k卷积层输出的所述任一超边三元组e的超边嵌入表示向量,aggregate2(·)表示第二聚合函数,k=1,2,…,L;
所述关系表示超图卷积网络将输入的各层任一商品向量采用第三超图卷积网络进行计算得到所述第三超图卷积神经网络各层对应的任两用户关系向量,具体包括:
所述用户嵌入式表示超图卷积网络将输入的各层超边嵌入表示向量和各层任两用户关系向量采用第四超图卷积网络进行计算得到所述第四超图卷积神经网络各层对应的任一用户嵌入表示向量,具体包括:
其中,是连接所述任一用户i的所有超边的集合,e为所述集合中的任一目标超边三元组,为所述第一超图卷积网络中第k卷积层输出的所述任一目标超边三元组e的超边嵌入表示向量,是所有与所述任一用户i有社交关系的用户的集合,是所述第四超图卷积网络中的第k卷积层输出的任一用户w的嵌入表示向量,aggregate4(·)表示第四聚合函数,aggregate5(·)表示第五聚合函数,为所述第四超图卷积网络中的第k-1卷积层输出的任一用户i的嵌入表示,k=1,2,…,L。
具体地,对于进行超边向量表示的异质社交关系表示超图卷积网络进行如下说明:
首先,从图结构中导出超边的表示C,以捕捉复杂交互作用的内在属性。然后,最后利用该表示分别对用户和商品进行建模。图4为本发明提供的超边-虚拟接地那示意图,如图4所示,处理超边的关键思想是将它们视为虚拟节点,对于超边的虚拟节点,它与被超边连接的节点相邻。具有超边的图与普通图是相容的。然后在传统的图卷积神经网络框架下进行消息传播,得到超边的嵌入表示。
利用超图卷积神经网络,直接在这张带有超边虚拟节点的图上进行信息传递,计算过程可以表示为:其中,表示超边e连接的所有节点,包括用户节点和商品节点,aggregate1(·)表示第一聚合函数。聚合函数的选择可以根据研究的问题和数据集本身的特性进行个性化的选择。图5为本发明提供的超边和关系的卷积表示图,如图5所示,通过这样将超边作为虚拟节点的方式放入图结构中,能够在多层图卷积的过程中,将超图本身的结构信息融合到超边的嵌入表示中。这是会给下面基于超边表示的用户建模和商品建模带来更丰富的信息。
对于进行商品向量表示的商品向量表示超图卷积网络、进行任两用户关系向量表示的关系表示超图卷积网络和进行用户嵌入向量表示的用户嵌入式表示超图卷积网络进行如下说明:
商品建模和用户建模的设计目的是根据之前学习得到的超边表示,得到用户和商品最终用于预测的嵌入表示。
对于商品的建模实际上最终来源于与其产生过互动的用户,互动的形式是以超边的形式发生的。所以如果能从超边的角度,来引入复杂社交互动对于商品隐式特征的建模,毫无疑问将会大大提升最终的推荐效果。
为了充分利用三元组形式的社交关系数据,对于任意商品j,选出与其关联的所有超边,根据这些超边的低维向量表示来提取商品的隐式特征,具体的计算过程可以表示为:其中,表示所有连接商品j的超边的集合,aggregate2表示第二聚合函数,Qj是商品j的嵌入表示。值得注意的是,在商品建模过程中使用自环结构(self-loop),也就是说在相连的图卷积层之间,嵌入表示会进行直接传递,这会防止在训练过程出现梯度消失问题。
对于用户建模,本发明首先针对不同的两个关联用户,提取出他们之间社交关系的隐式特征,再根据关系的隐式特征,建立起用户之间的直接连接(skip-connection),这有助于把握用户之间的同质化的社交影响,即通过衡量用户之间关系的紧密程度判断其行为的相似程度。同时,与商品建模类似,对于用户的建模还必须与超边的嵌入表示直接关联,因为这将帮助建立非同质化的用户建模,即在不同的朋友在不同商品上对于当前用户的影响是不同的。
因此,本发明提出社交网络结构可感知的关系建模(Social-aware Relationmodeling)。两个用户之间的社交关系是由他们之间所有的互动所界定的。换言之,任意两个用户节点之间的社交关系的嵌入,是这两个用户所关联的所有超边的嵌入的函数。其具体的表达形式为:其中η(·,·)表示从用户对到社交关系编号的映射函数,t是社交关系的编号,aggregate3(·)表示第三聚合函数,表示社交关系的嵌入表示。
最终的用户建模建立在之前的社交关系建模和超边建模上。准确地说,在本发明中,用户的嵌入建模包含两个部分,从超边中获取的信息传递和从社交网络中直接链路中获得的信息传递。具体的建模公式可以表示为 其中是连接用户i的所有超边的集合,而是所有与用户i有社交关系的用户的集合,aggregate4(·)表示第四聚合函数,aggregate5(·)表示第五聚合函数,Pi是用户i输出的嵌入表示。在本发明中,商品建模和用户建模具有自环结构,这将有助于更深层的图卷积神经网络结构。信息聚合函数的选择应当根据数据集和问题的不同加以挑选。来自超边的信息旨在刻画非均匀社会效应的隐式信号,而来自社交网络的信息传递主要集中在社会同质化的建模上。图6为本发明提供的用户建模示意图,如图6所述,用户向量的表示是在超边的嵌入式表示向量和任两用户之间的关系表示向量的聚合的基础上聚合得到的。
基于上述实施例,该方法中,所述第一聚合函数、所述第二聚合函数、所述第三聚合函数和所述第四聚合函数均为平均聚合函数,所述第五聚合函数基于多层感知机MLP确定;
具体地,一种实现最为方便的选择是平均聚合函数(Average Pooling),因此,将所述第一聚合函数、所述第二聚合函数、所述第三聚合函数和所述第四聚合函数均设置为平均聚合函数,而所述第五聚合函数基于多层感知机MLP确定,对应地:
其中,和均为所述第一超图卷积网络的第k卷积层中的待调参数,和均为所述第二超图卷积网络的第k卷积层中的待调参数,和均为所述第三超图卷积网络的第k卷积层中的待调参数,和均为所述第四超图卷积网络的第k卷积层中的待调参数,
基于上述实施例,该方法中,所述商品用户推荐度计算网络基于输入的各层任一用户嵌入表示向量和各层任一商品向量对输入的样本用户进行推荐商品预测,具体包括:
其中,Ek为参与推荐模型训练的训练数据集中所有用户和所有商品在每一卷积层输出的嵌入表示,m和n分别表示参与推荐模型训练的训练数据集中的用户数量和商品数量,E*=E0||···||EL=[P*,Q*],L为所述第一超图卷积网络中的卷积层总数,为P*中用户i的嵌入表示向量,为Q*中商品j1的嵌入表示向量;
其中,Ek为参与推荐模型训练的训练数据集中所有用户和所有商品在每一卷积层输出的嵌入表示,m和n分别表示参与推荐模型训练的训练数据集中的用户数量和商品数量,E*=E0||···||EL=[P*,Q*],L为所述第一超图卷积网络中的卷积层总数,为P*中用户i的嵌入表示向量,为Q*中商品j2的嵌入表示向量。
具体地,经过了L层的超图卷积层之后,得到了用户和商品在每一层输出的嵌入表示{E0,···,EL}。在此基础之上,为了更好的表达超图结构的高阶连通性(High-orderconnectivity),将这些向量拼接在一起,得到用户和商品的最终表示。即E*=E0||···||EL=[P*,Q*]。
在得到了最终的嵌入表示矩阵之后,只需要将用户和商品对应的嵌入表示送入评分函数,就可以输出最终对于目标用户对特定商品喜好程度的预测值。在本发明中,选择内积(Inner Product)作为评分函数用于计算样本用户i与对应的购买商品正标签j1之间的推荐度数值,计算表达式为
基于上述实施例,该方法中,所述基于预测结果和样本用户对应的未购买商品负标签构建损失函数,具体包括:
通过如下公式计算损失函数Loss:
其中,是样本用户i以及对应的购买商品正标签j1、未购买商品负标签j2组成的训练数据三元组的集合,为所述商品用户推荐度计算网络基于样本用户i的嵌入表示向量和商品正标签j1确定的正预测推荐度数值,为所述商品用户推荐度计算网络基于样本用户i的嵌入表示向量和商品正标签j2确定的负预测推荐度数值,Θ为推荐模型训练初始化输入的第0层的嵌入向量参数E0,为L2范数,λ为L2正则项系数。
具体地,在本发明中,模型参数是通过贝叶斯个性化排序损失函数(BPR Loss)进行优化的,这一损失函数的特点是通过正负样本的配对(pair-wise)优化正负样本之间打分差距,而忽略其数值的绝对大小。计算表达式可以表达如下
其中,是经过负采样的训练集,其元素是形如(i,j1,j2)的三元组,(i,j1)是观测到的用户-商品交互记录,(i,j2)是经过采样的未观测到的用户-商品交互记录,Θ代表着模型的第0层的嵌入向量参数E0,代表着L2范数,λ代表着L2正则项系数、是一个人为控制的超参数。在损失函数中添加该正则项有助于解决模型可能存在的过拟合问题,提升泛化性与推荐性能。
由于现在已经存在着非常成熟的自动微分的深度学习框架如TensorFlow,PyTorch,不需要直接对的所有模型参数进行求导,而可以直接交由代码进行操作。
基于上述实施例,本发明提供的方案中的推荐模型,遵从的是表示学习(Representation Learning)的基本框架,所以模型要学习的就是用户和商品的嵌入表示。通过超图的框架,将三元组社交数据进行整合,然后在超图上利用超图卷积层进行信息传播(Propagation),超图卷积的过程不仅使模型能够学习到节点的一阶邻接信息,通过多层卷积还可以学习高维的邻接信息。在通过了L层图卷积后,将最终得到的用户最终的低维向量表示,再通过打分函数输出用户对于商品喜好的预测值。最终贝叶斯个性化排序损失函数(Bayesian Personalized Ranking损失函数,简称BPR损失函数)在用户-商品直接交互数据中,通过反向传播对网络进行训练,网络各层的权重及偏置值都会通过适应性矩估计(Adaptive Moment Estimation)的方法进行更新。
本发明的目标是基于三元组形式社交数据(Triplet Social Relation)设计推荐系统算法,提升用户电商平台的购物体验。其中每一个三元组社交关系,是对电商平台中的复杂交互数据的抽象,在不同的背景语义和应用场景之下,拥有不同的现实含义。我们从一个非同质化社交影响效应的全新角度,来处理这些三元组形式的交互数据,这是对传统社交推荐系统的进一步改进和泛化。我们首先引入超图的概念,可以很好地表示复杂的三重社会关系和用户项交互数据。在构建的超图中,将非均匀的社会影响和协同过滤信号耦合起来。然后设计了一个基于超图卷积网络的模型,以同时捕捉不均匀的社会影响和用户偏好,大幅度的提升了对稀疏用户和稀疏商品推荐的有效性。
图7为本发明提供的商品推荐预测系统的流程图,为了更清楚地说明本发明实施例中的技术方案,下面将对照图7说明本发明的具体实验中的流程。
实验一:使用者想利用某社交电商平台上过去30天内所有用户购买商品的日志记录以及用户将商品分享给其社交好友的日志记录,预测所有用户的用户2020年12月31日以后可能购买的商品并为其进行推荐,表1为实验一中抽取的训练数据集合,表1如下所示:
表1实验一中抽取的训练数据集合
数据名 | 数据值 |
NumUser | 3773 |
NumItem | 4544 |
NumSocial | 9358 |
NumInteraction | 39252 |
首先进行训练数据的构建,收集12月1日-31号所有的商品销售记录,也就是所有的用户-商品直接交互记录。由于电商平台上用户的行为往往是稀疏的,所以事实上存在着大量的商品在过去的一段时间内可能没有被用户购买过也没有被用户分享过,同时也存在着一些用户从来没有购买过商品,也从来没有建立过社交关系。对于这些孤立的用户和商品由于没有任何先验知识,所以本质上不能对其做出有效的预测,因此必须将其从训练集中剔除,以免造成计算资源的浪费。选择将所有销量为0的商品剔除,并且将所有购买的商品数量少于5的用户剔除。基于此步骤,已经可以得到的购买行为训练集。此时的全部用户和商品已经确定,因此可以根据确定的参与训练的用户和商品,从平台的历史数据中抽取出用户和商品的分享记录的分享记录。至此,确定了用户的数量NumUser,商品的数量NumItem,社交分享的数量NumberSocial,和购买记录的数量NumInteraction。本发明中,采取推荐系统中通用的做法,针对每一个用户筛选出一条购买记录作为的测试集,剩余部分作为训练数据。此后开始进行数据的负采样(negative sampling)也就是说,针对每一个用户的每一条被记录的购买记录,随机的从所有的商品集合中抽取8个该用户从没有购买过的商品,放入训练集中,并且标记为负样本。
首先如前文所描述的,根据社交分享记录构造整张超图,并将初始的嵌入矩阵送入超图卷积网络层中作为初始输入,进行信息聚合传递,得到超边e对应的嵌入最后根据得到的超边嵌入表示,通过信息聚合首先得到每一层的商品嵌入表示输出接着继续建模社交关系的嵌入表示再利用和得到用户的嵌入表示再将送入下一个超图卷积网络层中去,该过程重复L次,就得到了L层的输出{E0,···,EL}。将这些输出拼接起来得到E*=E0||···||EL=[P*,Q*]。
此时已经得到了用户和商品的最终嵌入表示。在训练过程中,按照前述构造的训练集,将正负样本成对抽取出,利用用户ID和商品ID的one-hot编码,可以直接从最终的嵌入表示矩阵中,通过索引得到对应用户和商品的嵌入表示,然后通过内积函数输出对应用户和商品的喜好程度的预测值。由于训练数据是成对的,也将它们也成对地送入BPR损失函数中去,通过Adam优化器,以梯度反向传播地方式优化整个网络中地模型参数。而在测试过程中,由于测试集数据中也只含有正样本,也需要对测试数据进行负采样,针对每一条测试数据,负采样100条负样本。输出每一条正样本数据和其对应的负样本数据的预测评分,根据正样本的评分在这101条数据中的顺位关系评价此时系统运行的状况。
最终模型对于每一个用户,只需要依次输出该用户对于所有商品的预测评分,并对评分进行排序,选出评分最高的商品为用户进行推荐即可。
实验二:使用者想利用团购形式的电商平台上过去30天内所有用户和其社交好友拼团购买的日志记录,预测所有用户的用户2020年12月31日以后可能购买的商品并为其进行推荐,表2为实验一中抽取的训练数据集合,表2如下所示:
表2实验二中抽取的训练数据集合
数据名 | 数据值 |
NumUser | 3773 |
NumItem | 4544 |
NumSocial | 9358 |
NumInteraction | 39252 |
首先进行训练数据的构建,收集12月1日-31号所有的拼团记录。由于电商平台上用户的行为往往是稀疏的,所以事实上存在着大量的商品在过去的一段时间内可能没有被用户购买过也没有被用户分享过,同时也存在着一些用户从来没有购买过商品,也从来没有建立过社交关系。对于这些孤立的用户和商品由于没有任何先验知识,所以本质上不能对其做出有效的预测,因此必须将其从训练集中剔除,以免造成计算资源的浪费。选择将所有销量为0的商品剔除,并且将所有购买的商品数量少于5的用户剔除。从这些经过筛选的拼团数据中,将每一个用户购买的商品都单独记录下来,构造成的训练集。
此时的全部用户和商品已经确定,因此可以根据确定的参与训练的用户和商品,从平台的历史数据中抽取出这些用户和商品的分享记录。至此,确定了用户的数量NumUser,商品的数量NumItem,社交分享的数量NumberSocial,和购买记录的数量NumInteraction。本发明中,采取推荐系统中通用的做法,针对每一个用户筛选出一条购买记录作为的测试集,剩余部分作为训练数据。此后开始进行数据的负采样(negativesampling)也就是说,针对每一个用户的每一条被记录的购买记录,随机的从所有的商品集合中抽取8个该用户从没有购买过的商品,放入训练集中,并且标记为负样本。
首先如前文所描述的,根据所有的团购记录构造整张超图,并将初始的嵌入矩阵送入超图卷积网络层中作为初始输入,进行信息聚合传递,得到超边e对应的嵌入最后根据得到的超边嵌入表示,通过信息聚合首先得到每一层的商品嵌入表示输出接着继续建模社交关系的嵌入表示再利用和得到用户的嵌入表示再将送入下一个超图卷积网络层中去,该过程重复L次,就得到了L层的输出{E0,···,EL}。将这些输出拼接起来得到E*=E0||···||EL=[P*,Q*]。
此时已经得到了用户和商品的最终嵌入表示。在训练过程中,按照前述构造的训练集,将正负样本成对抽取出,利用用户ID和商品ID的one-hot编码,可以直接从最终的嵌入表示矩阵中,通过索引得到对应用户和商品的嵌入表示,然后通过内积函数输出对应用户和商品的喜好程度的预测值。由于训练数据是成对的,也将它们也成对地送入BPR损失函数中去,通过Adam优化器,以梯度反向传播地方式优化整个网络中地模型参数。而在测试过程中,由于测试集数据中也只含有正样本,也需要对测试数据进行负采样,针对每一条测试数据,负采样100条负样本。输出每一条正样本数据和其对应的负样本数据的预测评分,根据正样本的评分在这101条数据中的顺位关系评价此时系统运行的状况。
最终模型对于每一个用户,只需要依次输出该用户对于所有商品的预测评分,并对评分进行排序,选出评分最高的商品为用户进行推荐即可。
下面对本发明提供的基于异质社交关系的商品推荐装置进行描述,下文描述的基于异质社交关系的商品推荐装置与上文描述的一种基于异质社交关系的商品推荐方法可相互对应参照。
图8为本发明提供的基于异质社交关系的商品推荐装置的结构示意图,如图8所示,该装置包括确定单元810、推荐度单元820和推荐单元830,其中,
所述确定单元810,用于确定社交购物平台中待推荐商品的用户;
所述推荐度单元820,用于将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;
其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;
所述推荐单元830,用于基于所述推荐度,确定为所述用户推荐的商品。
本发明提供的装置,通过确定社交购物平台中待推荐商品的用户;将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;基于所述推荐度,确定为所述用户推荐的商品;其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示。由于采用机器学习的模式,在推荐模型的训练过程中构建包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络的神经网络结构,其中,所述异质社交关系表示超图卷积网络将社交购物平台中的异质社交关系进行向量表示,后续的商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络都基于之前的异质社交关系表示向量进一步对参与训练的所有社交购物平台上的商品和用户进行嵌入式表示得到商品向量和用户向量,所述商品用户推荐度计算网络再基于所有商品向量和用户向量确定对于该用户社交购物平台内所有商品的推荐度数值,基于各个推荐度数值筛选出最终的推荐商品。在训练过程中,通过已经有的交易信息作为参考标准计算损失函数对推荐模型的前面四个基于异质社交关系对用户和商品进行编码的待优化参数进行不断修正,直到所有用户和商品的编码向量表示能符合它们之间的是否有交易关系。将除了已经产生交易的行为的同质关系之外的异质社交关系数据也纳入推荐模型的训练数据集中,提高推荐模型的有效性。因此,本发明提供的装置,提高了基于异质社交关系的商品推荐的有效性。基于上述实施例,该装置中,
图9为本发明提供的一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行基于异质社交关系的商品推荐方法,该方法包括:确定社交购物平台中待推荐商品的用户;将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;基于所述推荐度,确定为所述用户推荐的商品。
此外,上述的存储器930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)执行本发明各个实施例所述方法的全部或部分步骤。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,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态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,计算机能够执行上述各方法所提供的基于异质社交关系的商品推荐方法,该方法包括:确定社交购物平台中待推荐商品的用户;将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;基于所述推荐度,确定为所述用户推荐的商品。
又一方面,本发明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方法提供的基于异质社交关系的商品推荐方法,该方法包括:确定社交购物平台中待推荐商品的用户;将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;基于所述推荐度,确定为所述用户推荐的商品。
以上所描述的服务器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 (10)
1.一种基于异质社交关系的商品推荐方法,其特征在于,包括:
确定社交购物平台中待推荐商品的用户;
将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;
其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;
基于所述推荐度,确定为所述用户推荐的商品。
2.根据权利要求1所述的基于异质社交关系的商品推荐方法,其特征在于,所述样本用户、对应的购买商品标签以及存在社交关系的用户标签的构建,具体包括:
从所述社交购物平台中累积的用户交易数据中确定样本用户以及对应的购买商品正标签、未购买商品负标签;
从所述社交购物平台中累积的用户社交数据中确定所述样本用户存在社交关系的用户标签和关联商品标签;
其中,所述社交关系基于用户之间对于所述关联商品的交互行为确定。
3.根据权利要求2所述的基于异质社交关系的商品推荐方法,其特征在于,所述推荐模型训练时的网络结构包括依次连接的异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,具体包括:
所述推荐模型的训练过程中,
异质社交关系表示超图卷积网络将输入的样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组采用第一超图卷积网络计算,将所述第一超图卷积网络每一层计算得到的超边嵌入表示向量均输出至商品向量表示超图卷积网络、关系向量表示超图卷积网络和用户嵌入表示超图卷积网络;
所述商品向量表示超图卷积网络将输入的各层超边嵌入表示向量结合任一商品对应的所述超边三元组集合采用自环结构的第二超图卷积网络进行计算,将所述第二超图卷积网络每一层计算得到的任一商品向量均输出至所述用户嵌入表示超图卷积网络、所述异质社交关系表示超图卷积网络和商品用户推荐度计算网络;
所述关系表示超图卷积网络将输入的各层任一商品向量采用第三超图卷积网络进行计算,将所述第三超图卷积网络每一层计算得到的任两用户关系向量均输出至所述用户嵌入表示超图卷积网络;
所述用户嵌入式表示超图卷积网络将输入的各层超边嵌入表示向量和各层任两用户关系向量采用第四超图卷积网络进行计算,将所述第四超图卷积网络每一层计算得到的任一用户嵌入表示向量均输出至所述商品用户推荐度计算网络和所述异质社交关系表示超图卷积网络;
所述商品用户推荐度计算网络基于输入的各层任一用户嵌入表示向量和各层任一商品向量对输入的样本用户进行推荐商品预测,基于预测结果和样本用户对应的未购买商品负标签构建损失函数;
其中,所述第一超图卷积网络、所述第二超图卷积网络、所述第三超图卷积网络和所述第四超图卷积网络的层数相同。
4.根据权利要求3所述的基于异质社交关系的商品推荐方法,其特征在于,所述异质社交关系表示超图卷积网络将输入的样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组采用第一超图卷积网络计算得到所述第一超图卷积神经网络各层对应的超边嵌入表示向量,具体包括:
其中,e为任一样本用户结合存在社交关系的用户标签以及关联商品组成的超边三元组,表示超边e连接的所有用户节点和商品节点,w为中存在连接关系的商品用户节点对,为所述商品向量表示超图卷积网络在第k-1卷积层输出的目标商品向量和所述用户嵌入式表示超图卷积网络在第k-1卷积层输出的目标用户嵌入表示向量组成的矩阵,所述目标商品和所述目标用户存在所述w中的连接关系,aggregate1(·)表示第一聚合函数,k=1,2,…,L,L为所述第一超图卷积网络中的卷积层总数;
对应地,所述商品向量表示超图卷积网络将输入的各层超边嵌入表示向量结合任一商品对应的所述超边三元组集合采用自环结构的第二超图卷积网络进行计算得到所述第二超图卷积神经网络各层对应的商品表示向量,具体包括:
其中,表示所有连接所述任一商品j的超边三元组的集合,e为所述集合中的任一超边三元组,为所述第一超图卷积网络中的第k卷积层输出的所述任一超边三元组e的超边嵌入表示向量,aggregate2(·)表示第二聚合函数,k=1,2,…,L;
所述关系表示超图卷积网络将输入的各层任一商品向量采用第三超图卷积网络进行计算得到所述第三超图卷积神经网络各层对应的任两用户关系向量,具体包括:
所述用户嵌入式表示超图卷积网络将输入的各层超边嵌入表示向量和各层任两用户关系向量采用第四超图卷积网络进行计算得到所述第四超图卷积神经网络各层对应的任一用户嵌入表示向量,具体包括:
5.根据权利要求4所述的基于异质社交关系的商品推荐方法,其特征在于,所述第一聚合函数、所述第二聚合函数、所述第三聚合函数和所述第四聚合函数均为平均聚合函数,所述第五聚合函数基于多层感知机MLP确定;
6.根据权利要求5所述的基于异质社交关系的商品推荐方法,其特征在于,所述商品用户推荐度计算网络基于输入的各层任一用户嵌入表示向量和各层任一商品向量对输入的样本用户进行推荐商品预测,具体包括:
其中,Ek为参与推荐模型训练的训练数据集中所有用户和所有商品在每一卷积层输出的嵌入表示,m和n分别表示参与推荐模型训练的训练数据集中的用户数量和商品数量,E*=E0||…||EL=[P*,Q*],L为所述第一超图卷积网络中的卷积层总数,为P*中用户i的嵌入表示向量,为Q*中商品j1的嵌入表示向量;
8.一种基于异质社交关系的商品推荐装置,其特征在于,包括:
确定单元,用于确定社交购物平台中待推荐商品的用户;
推荐度单元,用于将所述用户输入推荐模型,输出所述平台内所有商品的推荐度;
其中,所述推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的,所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络,所述异质社交关系表示超图卷积网络用于将输入的样本用户结合所述样本用户存在社交关系的用户标签组成的用户-用户-商品超边三元组采用向量进行表示;
推荐单元,用于基于所述推荐度,确定为所述用户推荐的商品。
9.一种电子设备,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7中任一项所述的基于异质社交关系的商品推荐方法的步骤。
10.一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,该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于异质社交关系的商品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648210.1A CN113379494A (zh) | 2021-06-10 | 2021-06-10 | 基于异质社交关系的商品推荐方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110648210.1A CN113379494A (zh) | 2021-06-10 | 2021-06-10 | 基于异质社交关系的商品推荐方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379494A true CN113379494A (zh) | 2021-09-10 |
Family
ID=77573676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110648210.1A Pending CN113379494A (zh) | 2021-06-10 | 2021-06-10 | 基于异质社交关系的商品推荐方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379494A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756768A (zh) * | 2022-06-15 | 2022-07-15 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
CN114817663A (zh) * | 2022-05-05 | 2022-07-29 | 杭州电子科技大学 | 一种基于类别感知图神经网络的服务建模与推荐方法 |
CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
CN115860880A (zh) * | 2023-01-06 | 2023-03-28 | 中国海洋大学 | 基于多层异质图卷积模型的个性化商品推荐方法及系统 |
CN116204729A (zh) * | 2022-12-05 | 2023-06-02 | 重庆邮电大学 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
CN116204729B (zh) * | 2022-12-05 | 2024-05-10 | 武汉光谷康服信息科技有限公司 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
CN111144986A (zh) * | 2019-12-25 | 2020-05-12 | 清华大学 | 一种基于分享行为的社交电商网站商品推荐方法及装置 |
CN111160954A (zh) * | 2019-12-16 | 2020-05-15 | 南京理工大学 | 基于图卷积网络模型的面向群组对象的推荐方法 |
CN111428147A (zh) * | 2020-03-25 | 2020-07-17 | 合肥工业大学 | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 |
CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
-
2021
- 2021-06-10 CN CN202110648210.1A patent/CN113379494A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
CN111160954A (zh) * | 2019-12-16 | 2020-05-15 | 南京理工大学 | 基于图卷积网络模型的面向群组对象的推荐方法 |
CN111144986A (zh) * | 2019-12-25 | 2020-05-12 | 清华大学 | 一种基于分享行为的社交电商网站商品推荐方法及装置 |
CN111428147A (zh) * | 2020-03-25 | 2020-07-17 | 合肥工业大学 | 结合社交和兴趣信息的异源图卷积网络的社交推荐方法 |
CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
Non-Patent Citations (1)
Title |
---|
CHAO KONG 等: "Empowering Knowledge Graph Construction with Hyper-graph for Personalized Recommendation", 2020 6TH INTERNATIONAL CONFERENCE ON BIG DATA AND INFORMATION ANALYTICS (BIGDIA), 2 April 2021 (2021-04-02), pages 42 - 49 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817663A (zh) * | 2022-05-05 | 2022-07-29 | 杭州电子科技大学 | 一种基于类别感知图神经网络的服务建模与推荐方法 |
CN114817663B (zh) * | 2022-05-05 | 2023-02-17 | 杭州电子科技大学 | 一种基于类别感知图神经网络的服务建模与推荐方法 |
CN115082142A (zh) * | 2022-05-10 | 2022-09-20 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
CN115082142B (zh) * | 2022-05-10 | 2024-04-30 | 华南理工大学 | 一种基于异构关系图神经网络的推荐方法、装置及介质 |
CN114756768A (zh) * | 2022-06-15 | 2022-07-15 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
CN114756768B (zh) * | 2022-06-15 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、设备、可读存储介质及程序产品 |
CN116204729A (zh) * | 2022-12-05 | 2023-06-02 | 重庆邮电大学 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
CN116204729B (zh) * | 2022-12-05 | 2024-05-10 | 武汉光谷康服信息科技有限公司 | 一种基于超图神经网络的跨领域群组智能推荐方法 |
CN115860880A (zh) * | 2023-01-06 | 2023-03-28 | 中国海洋大学 | 基于多层异质图卷积模型的个性化商品推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI740106B (zh) | 產品推薦方法和裝置 | |
CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
CN113379494A (zh) | 基于异质社交关系的商品推荐方法、装置和电子设备 | |
CN111310063B (zh) | 基于神经网络的记忆感知门控因子分解机物品推荐方法 | |
US20200257976A1 (en) | Algorithmic apparel recommendation | |
Wang et al. | Perceiving the next choice with comprehensive transaction embeddings for online recommendation | |
CN109034960B (zh) | 一种基于用户节点嵌入的多属性推断的方法 | |
CN109584006B (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN115917535A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN108053050A (zh) | 点击率预估方法、装置、计算设备及存储介质 | |
CN110955826A (zh) | 基于改进型循环神经网络单元的推荐系统 | |
CN113409121A (zh) | 一种基于异构图表达学习的跨境电商推荐方法 | |
CN113918834B (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
Sahoo et al. | SVD based privacy preserving recommendation model using optimized hybrid item-based collaborative filtering | |
Tian et al. | Recipe recommendation with hierarchical graph attention network | |
CN112364242A (zh) | 针对上下文感知型的图卷积推荐系统 | |
CN115760271A (zh) | 基于图神经网络的机电商品个性化推荐方法和系统 | |
CN111597428B (zh) | 一种具有q分离k稀疏的用户与物品拼接的推荐方法 | |
CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
CN113821827A (zh) | 保护多方数据隐私的联合建模方法及装置 | |
CN116340643B (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
CN116204723A (zh) | 一种基于动态超图表示学习的社交推荐方法 | |
Wang et al. | Online course recommendation algorithm based on multilevel fusion of user features and item features | |
Neehal et al. | Prediction of preferred personality for friend recommendation in social networks using artificial neural network |
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 |