CN115309997A - 一种基于多视图自编码特征的商品推荐方法及装置 - Google Patents

一种基于多视图自编码特征的商品推荐方法及装置 Download PDF

Info

Publication number
CN115309997A
CN115309997A CN202211232223.1A CN202211232223A CN115309997A CN 115309997 A CN115309997 A CN 115309997A CN 202211232223 A CN202211232223 A CN 202211232223A CN 115309997 A CN115309997 A CN 115309997A
Authority
CN
China
Prior art keywords
commodity
user
matrix
feature
recommendation
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
CN202211232223.1A
Other languages
English (en)
Other versions
CN115309997B (zh
Inventor
陈嘉俊
杨国正
汪雷领
钟礼斌
臧铖
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.)
Yiqiyin Hangzhou Technology Co ltd
China Zheshang Bank Co Ltd
Original Assignee
Yiqiyin Hangzhou Technology Co ltd
China Zheshang Bank 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 Yiqiyin Hangzhou Technology Co ltd, China Zheshang Bank Co Ltd filed Critical Yiqiyin Hangzhou Technology Co ltd
Priority to CN202211232223.1A priority Critical patent/CN115309997B/zh
Publication of CN115309997A publication Critical patent/CN115309997A/zh
Application granted granted Critical
Publication of CN115309997B publication Critical patent/CN115309997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/08—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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多视图自编码特征的商品推荐方法及装置。本发明将用户商品之间的交互关系进行精确划分，得到购买、收藏、浏览三种视图下的交互关系，可更精细化地分析用户商品关系；采用图卷积网络获取用户和商品节点在不同视图下的特征嵌入表示，通过增加L2范数约束避免了不同视图特征过平滑问题；采用多图学习方法对不同视图下的关系进行联合学习，构造出多视图下的特征融合嵌入表示，并与不同视图下的特征级联，可使用户和商品的最终特征表示既具有一致性又具有区分度，更有利于计算和预测用户和商品的推荐分数，实现商品的推荐任务。

Description

一种基于多视图自编码特征的商品推荐方法及装置
技术领域
本发明属于机器学习、推荐系统领域，尤其涉及一种基于多视图自编码特征的商品推荐方法及装置。
背景技术
近年来，随着互联网技术的快速发展，各类商城在给人们带来购物遍历的同时，也带来了信息过载的问题，如何快速地从众多商品中筛选出自己需要的商品是困扰了众多消费者。因此，个性化的商品推荐方法也收到了广泛关注。在目前的商品推荐方法中，大多数工作在单一视图下对用户或商品信息进行分析，采用协同过滤的方法对用户和商品进行特征建模，将其映射为潜在语义空间中的向量表示。或者采用神经网络方法对用户和商品特征进行嵌入表示。这些方法仅利用了用户和商品的特征信息或交互信息，并没有考虑挖掘用户商品交互信息中隐藏的潜在关系，可能导致用户特征和商品特征之间存在一定程度的信息隔阂，降低了推荐模型的质量。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于多视图自编码特征的商品推荐方法及装置。
本发明的目的是通过以下技术方案来实现的：
根据本说明书的第一方面，提供一种基于多视图自编码特征的商品推荐方法，包括以下步骤：
S1、获取用户人信息、商品信息以及用户对商品的购买、收藏和浏览交互信息；
S2、对用户信息和商品信息进行预处理，构造用户特征集和商品特征集，根据用户商品交互信息分别获取购买关系图、收藏关系图和浏览关系图；
S3、构建用户特征嵌入模型，计算用户特征集的特征嵌入信息；
S4、构建商品特征嵌入模型，计算商品特征集的特征嵌入信息；
S5、利用用户特征嵌入模型和商品特征嵌入模型构建商品推荐模型并训练；
S6、利用训练好的商品推荐模型预测用户和商品之间的推荐分数，实现商品推荐。
进一步地，所述用户信息包括以下注册信息：年龄、性别、职业注册信息；所述商品信息包括以下属性信息：名称、类别、价格、品牌、适用人群。
进一步地，步骤S2具体包括以下子步骤：
S21，根据S1中获取的用户信息和商品信息，利用特征工程方法构建用户特征集U 和商品特征集V，U和V满足二分图约束；采用
Figure 181638DEST_PATH_IMAGE001
表示U的用户特征，R表示实数集合，n表示U中节点数量，u表示U中节点的特征维度，采用
Figure 123050DEST_PATH_IMAGE002
表示V的商品特征，m表示V 中节点数量，v表示V中节点的特征维度；
S22，根据用户商品交互信息分别获取购买关系图
Figure 439762DEST_PATH_IMAGE003
、收藏关系图
Figure 99413DEST_PATH_IMAGE004
和浏览关系图
Figure 41830DEST_PATH_IMAGE005
，G 1、G 2和G 3采用无权图表示不同视图下的用户商品关 系。
进一步地，步骤S3具体包括以下子步骤：
S31，根据购买关系图G 1得到用户因购买商品所产生的潜在关系矩阵为
Figure 103327DEST_PATH_IMAGE006
，根据收藏关系图G 2得到用户因收藏所产生的潜在关系矩阵
Figure 590940DEST_PATH_IMAGE007
，根据浏览关系图G 3得到用户因浏览所产生的潜在关系矩阵
Figure 737888DEST_PATH_IMAGE008
；
S32，利用两层图卷积网络自编码不同视图下的用户特征：
Figure 969149DEST_PATH_IMAGE009
其中，
Figure 134420DEST_PATH_IMAGE010
表示用户在不同视图下的编码特征，
Figure 58514DEST_PATH_IMAGE011
分别表示购买、收藏、 浏览，
Figure 692757DEST_PATH_IMAGE012
，
Figure 727709DEST_PATH_IMAGE013
表示
Figure 232640DEST_PATH_IMAGE014
的度矩阵，
Figure 842482DEST_PATH_IMAGE015
和
Figure 698442DEST_PATH_IMAGE016
表示特征转换时可学习的权 重参数，
Figure 271506DEST_PATH_IMAGE017
表示激活函数；
S33，利用多图学习方法得到用户在不同关系视图下的融合特征
Figure 162102DEST_PATH_IMAGE018
：
Figure 427998DEST_PATH_IMAGE019
其中，
Figure 754943DEST_PATH_IMAGE020
表示
Figure 662856DEST_PATH_IMAGE021
的正则化拉普拉斯矩阵，I表示单位矩阵，
Figure 142379DEST_PATH_IMAGE022
表示特征转换时 可学习的权重参数，
Figure 844756DEST_PATH_IMAGE023
为可调节参数，
Figure 409729DEST_PATH_IMAGE024
表示不同图之间的加权系数，计算方式如下：
Figure 839442DEST_PATH_IMAGE025
其中，
Figure 439051DEST_PATH_IMAGE026
表示矩阵的迹；
Figure 46750DEST_PATH_IMAGE027
和
Figure 99020DEST_PATH_IMAGE028
两式迭代求解得到用户在三种不同视图下的融 合特征
Figure 83156DEST_PATH_IMAGE029
；
S34，对S32得到的不同视图下的用户特征和S33得到的融合特征进行特征级联，得 到用户的最终嵌入特征
Figure 786539DEST_PATH_IMAGE030
，其中，||表示特征连接。
进一步地，步骤S4具体包括以下子步骤：
S41，根据购买关系图G 1得到商品因被购买所产生的潜在关系矩阵为
Figure 830718DEST_PATH_IMAGE031
，根据收藏关系图G 2得到商品因被收藏所产生的潜在关系矩阵
Figure 370284DEST_PATH_IMAGE032
，根据浏览关系图G 3得到商品因被浏览所产生的潜在关系矩阵
Figure 892532DEST_PATH_IMAGE033
；
S42，利用两层图卷积网络自编码不同视图下的商品特征：
Figure 466733DEST_PATH_IMAGE034
其中，
Figure 665502DEST_PATH_IMAGE035
表示商品在不同视图下的编码特征，
Figure 692364DEST_PATH_IMAGE036
分别表示购买、收藏、 浏览，
Figure 18303DEST_PATH_IMAGE037
，
Figure 447010DEST_PATH_IMAGE038
表示
Figure 567413DEST_PATH_IMAGE039
的度矩阵，
Figure 330839DEST_PATH_IMAGE040
和
Figure 460469DEST_PATH_IMAGE041
表示特征转换时可学习的 权重参数，
Figure 478103DEST_PATH_IMAGE042
表示激活函数；
S43，利用多图学习方法得到商品在不同关系视图下的融合特征
Figure 34986DEST_PATH_IMAGE043
：
Figure 36440DEST_PATH_IMAGE044
其中，
Figure 687871DEST_PATH_IMAGE045
表示
Figure 825591DEST_PATH_IMAGE046
的正则化拉普拉斯矩阵，
Figure 553375DEST_PATH_IMAGE047
表示单位矩阵，
Figure 776546DEST_PATH_IMAGE048
表示特征转换时 可学习的权重参数，
Figure 497247DEST_PATH_IMAGE049
为可调节参数，
Figure 755053DEST_PATH_IMAGE050
表示不同图之间的加权系数，计算方式如下：
Figure 388159DEST_PATH_IMAGE051
其中，
Figure 98626DEST_PATH_IMAGE052
表示矩阵的迹；
Figure 108171DEST_PATH_IMAGE053
和
Figure 469751DEST_PATH_IMAGE054
两式迭代求解得到商品在三种不同视图下的融 合特征
Figure 539338DEST_PATH_IMAGE055
。
S44，对S42得到的不同视图下的商品特征和S43得到的融合特征进行特征级联，得 到商品的最终嵌入特征
Figure 471522DEST_PATH_IMAGE056
，其中，||表示特征连接。
进一步地，步骤S5中，根据通过用户特征嵌入模型得到的用户嵌入特征
Figure 550336DEST_PATH_IMAGE057
以及根 据商品特征嵌入模型得到的商品嵌入特征
Figure 517155DEST_PATH_IMAGE058
，得到用户商品推荐分数矩阵
Figure 741332DEST_PATH_IMAGE059
，其中
Figure 426391DEST_PATH_IMAGE060
表示sigmoid激活函数，
Figure 43317DEST_PATH_IMAGE061
为用于维度变换的可学习 参数。
进一步地，步骤S5中，根据购买关系图G 1、收藏关系图G 2和浏览关系图G 3，采用随机 采样方式，获取用户商品交互标签矩阵
Figure 864643DEST_PATH_IMAGE062
；根据用户商品推荐分数矩阵
Figure 276033DEST_PATH_IMAGE063
和 用户商品交互标签矩阵
Figure 432076DEST_PATH_IMAGE064
计算交叉熵损失函数L 1；对不用视图下的用户和商品嵌入 特征进行约束，采用L2损失函数L 2；根据损失函数L 1和L 2训练商品推荐模型。
进一步地，所述商品推荐模型的总损失函数
Figure 587114DEST_PATH_IMAGE065
；其中，
Figure 528525DEST_PATH_IMAGE066
表 示商品推荐模型中所有可训练参数，
Figure 110816DEST_PATH_IMAGE067
用于控制L2正则化强度，防止过拟合，损失函数L 1表 示如下：
Figure 754156DEST_PATH_IMAGE068
其中，y表示用户商品标签矩阵Y中的元素，s表示用户商品推荐分数矩阵S中的元素；
损失函数
Figure 712885DEST_PATH_IMAGE069
表示如下：
Figure 508803DEST_PATH_IMAGE070
其中，
Figure 527574DEST_PATH_IMAGE071
和
Figure 143363DEST_PATH_IMAGE072
分别表示用户和商品在不同视图下的嵌入特征，
Figure 889471DEST_PATH_IMAGE073
分 别表示购买、收藏、浏览，
Figure 805475DEST_PATH_IMAGE074
表示用户因交互i所产生的潜在关系矩阵，
Figure 729568DEST_PATH_IMAGE075
表示商品因交互i所产生的潜在关系矩阵。
进一步地，具体地，在商品推荐模型训练完成后，能够计算用户特征集和商品特征集中的任意节点对之间的推荐分数，依据推荐分数进行排序，实现用户和商品之间的推荐任务。
根据本说明书的第二方面，提供一种基于多视图自编码特征的商品推荐装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现如第一方面所述的基于多视图自编码特征的商品推荐方法。
与现有技术发明相比，本发明的有益效果是：
1．本发明提出了一种基于多视图自编码特征的商品推荐方法，与传统的商品推荐方法不同，该方法将用户商品交互关系进行精细划分，得到购买、收藏、浏览三种视图下的交互关系，可更精细化地分析用户商品关系。
2．本发明通过分析不同视图下的交互关系，挖掘出用户和用户之间、商品和商品之间的潜在关系，并通过该潜在关系得出用户和商品在不同视图下的特征表示，通过增加L2范数约束避免了不同视图特征过平滑问题。
3．本发明采用多图学习方法对不同视图下的关系进行联合学习，构造出多视图下的特征融合嵌入表示，并与不同视图下的特征级联，可使用户和商品的最终特征表示既具有一致性又具有区分度，更有利于计算和预测用户和商品的推荐分数。
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为本发明实施例之一的基于多视图自编码特征的商品推荐方法流程图；
图2为本发明实施例之一的不同视图用户商品交互关系示意图，（a）为购买视图，（b）为收藏视图，（c）为浏览视图；
图3为本发明实施例之一的用户和商品嵌入特征示意图，（a）为用户嵌入特征表示，（b）为商品嵌入特征表示；
图4为本发明实施例之一的用户商品推荐得分示意图；
图5为本发明实施例之一的基于多视图自编码特征的商品推荐装置结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明，在下面的说明中，将通过结合商品推荐实施案例对本发明的推荐方法展开具体阐述，应当理解，此处描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于多视图自编码特征的商品推荐方法和应用案例，流程图如图1所示，步骤包括：
获取用户人信息、商品信息并进行预处理。具体地，根据商城运行信息，分部导出 商城的用户信息和商品信息，用户信息包括年龄、性别、职业等注册信息；商品信息包括名 称、类别、价格、品牌、适用人群等属性信息。再利用特征工程（独热编码）等方法，将用户信 息转换为用户特征信息；将商品信息转换为商品特征信息。并将用户特征集记为U，商品特 征集记为V，同时，用户特征集U和商品特征集V满足二分图约束，即
Figure 98233DEST_PATH_IMAGE076
；为了方便表 示和陈述，定义如下，用F表示节点特征，分别采用
Figure 398764DEST_PATH_IMAGE077
表示用户特征集U的用户特 征，R表示实数集合，n表示用户特征集U中节点数量，u表示用户特征集U中节点的特征维度，
Figure 176400DEST_PATH_IMAGE078
表示用户特征集U中的第i个节点的特征。同理，用
Figure 271395DEST_PATH_IMAGE079
表示商品特征集V的商品特 征，m表示商品特征集V中节点数量，v表示商品特征集V中节点的特征维度，
Figure 127355DEST_PATH_IMAGE080
表示商品特征 集V中的第i个节点的特征。
获取商城用户行为信息，包括用户在商城对商品的购买、收藏和浏览三种交互信 息，根据用户商品交互信息分别获取购买关系图
Figure 965998DEST_PATH_IMAGE081
、收藏关系图
Figure 856594DEST_PATH_IMAGE082
和浏览 关系图
Figure 371758DEST_PATH_IMAGE083
，G 1、G 2和G 3采用无权图表示不同视图下的用户商品关系，用
Figure 715015DEST_PATH_IMAGE084
表示 用户U i 购买了商品V j ，
Figure 91769DEST_PATH_IMAGE085
表示用户U i 未购买商品V j ，用
Figure 571292DEST_PATH_IMAGE086
表示用户U i 收藏了商品V j ，
Figure 273669DEST_PATH_IMAGE087
表示用户U i 未收藏商品V j ，用
Figure 87910DEST_PATH_IMAGE088
表示用户U i 浏览了商品V j ，
Figure 268356DEST_PATH_IMAGE089
表示 用户U i 未浏览商品V j 。
如图2所示，以购买视图为例，根据用户-商品购买关系图
Figure 133543DEST_PATH_IMAGE090
可得出用户因 购买商品所产生的潜在关系矩阵为
Figure 741242DEST_PATH_IMAGE091
，T表示转置操作，
Figure 793512DEST_PATH_IMAGE092
中的每个元素表示 用户和用户之间共同购买过的商品数量，即
Figure 26916DEST_PATH_IMAGE093
表示用户U i 和用户U j 共同购买了c件相 同的商品。同理可得出用户因收藏所产生的潜在关系矩阵
Figure 481031DEST_PATH_IMAGE094
和用户因浏览所 产生的潜在关系矩阵
Figure 525210DEST_PATH_IMAGE095
，其中
Figure 799197DEST_PATH_IMAGE096
，
Figure 587024DEST_PATH_IMAGE097
，
Figure 144914DEST_PATH_IMAGE098
，该类矩阵 反映了不同用户之间在不同视图下的共同习惯。
同上，以购买视图为例，根据用户-商品购买关系图
Figure 94415DEST_PATH_IMAGE099
可得出商品因被购 买所产生的潜在关系矩阵为
Figure 121277DEST_PATH_IMAGE100
，
Figure 447216DEST_PATH_IMAGE101
中的每个元素表示同时购买相同商品 的用户数量，即
Figure 875923DEST_PATH_IMAGE102
表示有c个用户同时购买了商品V i 和商品V j 。同理可得出商品因被 收藏所产生的潜在关系矩阵
Figure 511173DEST_PATH_IMAGE103
和商品因被浏览所产生的潜在关系矩阵
Figure 759752DEST_PATH_IMAGE104
，其中
Figure 623802DEST_PATH_IMAGE105
，该类矩阵反映了不同商品与 用户之间交互情况。
构建用户特征嵌入模型，计算用户特征集U的特征嵌入信息，即对用户特征
Figure 172595DEST_PATH_IMAGE106
进行 特征嵌入表示；具体地，特征嵌入表示过程如下：
(1)利用两层图卷积网络自编码不同视图下的用户特征，特征自编码过程如下：
Figure 463899DEST_PATH_IMAGE107
其中，
Figure 714621DEST_PATH_IMAGE108
表示用户在不同视图下的编码特征，
Figure 382363DEST_PATH_IMAGE109
分别表示购买、收藏、浏 览视图，
Figure 520083DEST_PATH_IMAGE110
，
Figure 247868DEST_PATH_IMAGE111
表示
Figure 471039DEST_PATH_IMAGE112
的度矩阵，
Figure 191739DEST_PATH_IMAGE113
和
Figure 449545DEST_PATH_IMAGE114
表示特征转换时可学习的权 重参数，
Figure 82651DEST_PATH_IMAGE115
表示激活函数。本实施例中设定
Figure 793119DEST_PATH_IMAGE116
的特征维度为16。
(2)利用多图学习方法得到用户在不同关系视图下的融合特征
Figure 68242DEST_PATH_IMAGE117
，计算过程如 下：
Figure 164243DEST_PATH_IMAGE118
其中，
Figure 233830DEST_PATH_IMAGE119
表示
Figure 166014DEST_PATH_IMAGE120
的正则化拉普拉斯矩阵，
Figure 244828DEST_PATH_IMAGE121
，I表示单位矩 阵，
Figure 195336DEST_PATH_IMAGE122
表示特征转换时可学习的权重参数，
Figure 701403DEST_PATH_IMAGE123
为可调节参数，本实施例中
Figure 120884DEST_PATH_IMAGE123
取(0,1)，
Figure 472230DEST_PATH_IMAGE124
表 示不同图之间的加权系数，计算方式如下：
Figure 559135DEST_PATH_IMAGE125
其中，
Figure 219792DEST_PATH_IMAGE126
表示矩阵的迹。上述两式迭代求解即可得到用户在三种不同视图下的 融合特征
Figure 126569DEST_PATH_IMAGE127
本实施例中，由于
Figure 547186DEST_PATH_IMAGE127
和
Figure 223018DEST_PATH_IMAGE128
需要两式迭代求解，设定迭代终止条件为迭代3次 或
Figure 70888DEST_PATH_IMAGE128
的变化幅度小于0.05，同时设定融合特征
Figure 714228DEST_PATH_IMAGE127
的特征维度也为16。
(3)综上，为提高节点特征的多样性和辨识度，依据上述步骤(1)得到的不同视图 下的特征
Figure 407377DEST_PATH_IMAGE129
和步骤(2)得到的融合特征
Figure 468874DEST_PATH_IMAGE130
，进行特征级联得到用户的最终嵌入 特征
Figure 956487DEST_PATH_IMAGE131
：
Figure 103435DEST_PATH_IMAGE132
其中，||表示特征连接。如图3中（a）所示，特征级联时，设定融合特征嵌入表示在 前，其后依次为购买、收藏、浏览视图的特征嵌入表示，则
Figure 849543DEST_PATH_IMAGE133
的特征维度为64。
构建商品特征嵌入模型，计算商品特征集V的特征嵌入信息，即对商品特征
Figure 499967DEST_PATH_IMAGE134
进行 特征嵌入表示；具体地，特征嵌入表示过程如下：
(1)利用两层图卷积网络自编码不同视图下的商品特征，特征自编码过程如下：
Figure 689640DEST_PATH_IMAGE135
其中，
Figure 792725DEST_PATH_IMAGE136
表示商品在不同视图下的编码特征，
Figure 93256DEST_PATH_IMAGE137
分别表示购买、收藏、浏 览视图，
Figure 113034DEST_PATH_IMAGE138
，
Figure 208029DEST_PATH_IMAGE139
表示
Figure 798410DEST_PATH_IMAGE140
的度矩阵，
Figure 902632DEST_PATH_IMAGE141
和
Figure 793228DEST_PATH_IMAGE142
表示特征转换时可学习的 权重参数，
Figure 308392DEST_PATH_IMAGE143
表示激活函数。本实施例中设定
Figure 386069DEST_PATH_IMAGE136
的特征维度为16。
(2)利用多图学习方法得到商品在不同关系视图下的融合特征
Figure 28403DEST_PATH_IMAGE144
，计算过程如 下：
Figure 507926DEST_PATH_IMAGE145
其中，
Figure 944724DEST_PATH_IMAGE146
表示
Figure 24544DEST_PATH_IMAGE147
的正则化拉普拉斯矩阵，
Figure 204990DEST_PATH_IMAGE148
，
Figure 539019DEST_PATH_IMAGE149
表示单位 矩阵，
Figure 412297DEST_PATH_IMAGE150
表示特征转换时可学习的权重参数，
Figure 464567DEST_PATH_IMAGE151
为可调节参数，本实施例中
Figure 697971DEST_PATH_IMAGE151
取(0,1)，
Figure 152086DEST_PATH_IMAGE152
表示不同图之间的加权系数，计算方式如下：
Figure 930686DEST_PATH_IMAGE153
其中，
Figure 735831DEST_PATH_IMAGE154
表示矩阵的迹。上述两式迭代求解即可得到商品在三种不同视图下的 融合特征
Figure 258079DEST_PATH_IMAGE155
。
本实施例中，由于
Figure 81548DEST_PATH_IMAGE155
和
Figure 31049DEST_PATH_IMAGE156
需要两式迭代求解，设定迭代终止条件为迭代3次或
Figure 57911DEST_PATH_IMAGE156
的变化幅度小于0.05，同时设定融合特征
Figure 383850DEST_PATH_IMAGE155
的特征维度也为16。
(3)综上，为提高节点特征的多样性和辨识度，依据上述步骤(1)得到的不同视图 下的特征
Figure 546978DEST_PATH_IMAGE157
和步骤(2)得到的融合特征
Figure 447807DEST_PATH_IMAGE158
，进行特征级联得到商品的最终嵌入特 征
Figure 696386DEST_PATH_IMAGE159
：
Figure 560436DEST_PATH_IMAGE160
其中，||表示特征连接。如图3中（b）所示，特征级联时，设定融合特征嵌入表示在 前，其后依次为购买、收藏、浏览视图的特征嵌入表示，则
Figure 109230DEST_PATH_IMAGE161
的特征维度为64。
利用用户特征嵌入模型和商品特征嵌入模型构建商品推荐模型，并计算用户和商 品之间的推荐分数。具体地，根据用户最终嵌入特征
Figure 400534DEST_PATH_IMAGE162
和商品最终嵌入特征
Figure 385676DEST_PATH_IMAGE161
，则可得到用 户商品推荐分数矩阵
Figure 318997DEST_PATH_IMAGE163
，推荐分数矩阵如图4所示，为满足矩阵的内 积运算规则和计算效率，对嵌入特征
Figure 456717DEST_PATH_IMAGE164
和
Figure 184502DEST_PATH_IMAGE165
分别乘以可学习参数
Figure 407673DEST_PATH_IMAGE166
和
Figure 862794DEST_PATH_IMAGE167
进行维度变换， 本实施例中
Figure 120600DEST_PATH_IMAGE166
和
Figure 19286DEST_PATH_IMAGE167
的维度设定为64*8。
Figure 995332DEST_PATH_IMAGE168
，S的元素
Figure 739297DEST_PATH_IMAGE169
表示用户U i 与商品V j 之间的 推荐分数，
Figure 366456DEST_PATH_IMAGE170
表示sigmoid激活函数。
利用训练集和验证集对商品推荐模型进行训练。具体地，根据购买关系图G 1、收藏 关系图G 2和浏览关系图G 3，采用随机采样方式，获取用户商品交互标签矩阵
Figure 170464DEST_PATH_IMAGE171
，Y的元 素
Figure 368227DEST_PATH_IMAGE172
表示用户U i 与商品V j 之间存在交互关系（购买或收藏或浏览），
Figure 181463DEST_PATH_IMAGE173
表示用户U i 与商品V j 之间不存在任何交互关系。根据用户商品推荐分数矩阵
Figure 148282DEST_PATH_IMAGE174
和用户商品交互 标签矩阵
Figure 903617DEST_PATH_IMAGE175
计算交叉熵损失，交叉熵损失函数L 1表示如下：
Figure 323097DEST_PATH_IMAGE176
其中，y表示标签矩阵Y中的元素，其值为0或1；s表示推荐分数矩阵S中的元素。
为保证的嵌入特征的多样性和区分度，避免不同视图下学习的嵌入特征平滑问 题，需要对不用视图下的用户和商品嵌入特征进行约束，定义损失函数
Figure 674444DEST_PATH_IMAGE177
如下：
Figure 761348DEST_PATH_IMAGE178
其中，
Figure 172738DEST_PATH_IMAGE071
和
Figure 328782DEST_PATH_IMAGE179
分别表示用户和商品在不同视图下的嵌入特征，
Figure 483820DEST_PATH_IMAGE180
分 别表示购买、收藏、浏览视图。
Figure 425231DEST_PATH_IMAGE181
表示矩阵的L2范数。因为邻接矩阵决定了图的结构，利 用嵌入特征重构出的邻接矩阵与原始邻接矩阵越相似，表明该嵌入特征越符合原始图的结 构，由于是在不同视图下获取到的邻接矩阵，图的结构也具有差异性，所以在损失函数中添 加该约束项可使嵌入特征也具有较好的区分度，避免了特征平滑问题。
综上，对商品推荐模型进行训练的总损失函数Loss为：
Figure 273101DEST_PATH_IMAGE182
其中，
Figure 667173DEST_PATH_IMAGE183
表示商品推荐模型中所有可训练参数，
Figure 609591DEST_PATH_IMAGE184
用于控制L2正则化强度，防止过 拟合。将损失函数Loss采用随机梯度下降方式训练商品推荐模型，训练完成后，即可进行用 户和商品的推荐分数预测。
具体地，在商品推荐模型训练完成之后，可计算用户特征集U和商品特征集V中的任意节点对之间的推荐分数。依据推荐分数进行排序，实现用户和商品之间的推荐任务。
本发明对用户商品交互关系做了细粒度的划分，可得到购买、收藏、浏览三种视图下的关系，并挖掘三种视图下用户-用户、商品-商品之间的潜在关系，利用这种潜在关系对用户和商品进行建模，得到不同视图下的嵌入表示。本发明引入了多图学习方法去学习不同视图下的联合特征表示，使得用户和商品的特征表示既具有不同视图上的多样性，又具有联合模型下的一致性，通过商品推荐模型对用户和商品嵌入特征进行表示，可得到用户和商品之间的推荐分数，实现商品推荐任务。
与前述基于多视图自编码特征的商品推荐方法的实施例相对应，本发明还提供了基于多视图自编码特征的商品推荐装置的实施例。
参见图5，本发明实施例提供的一种基于多视图自编码特征的商品推荐装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上述实施例中的基于多视图自编码特征的商品推荐方法。
本发明基于多视图自编码特征的商品推荐装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明基于多视图自编码特征的商品推荐装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于多视图自编码特征的商品推荐方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (10)

1.一种基于多视图自编码特征的商品推荐方法，其特征在于，包括以下步骤：
S1、获取用户人信息、商品信息以及用户对商品的购买、收藏和浏览交互信息；
S2、对用户信息和商品信息进行预处理，构造用户特征集和商品特征集，根据用户商品交互信息分别获取购买关系图、收藏关系图和浏览关系图；
S3、构建用户特征嵌入模型，计算用户特征集的特征嵌入信息；
S4、构建商品特征嵌入模型，计算商品特征集的特征嵌入信息；
S5、利用用户特征嵌入模型和商品特征嵌入模型构建商品推荐模型并训练；
S6、利用训练好的商品推荐模型预测用户和商品之间的推荐分数，实现商品推荐。
2.根据权利要求1所述的商品推荐方法，其特征在于，所述用户信息包括以下注册信息：年龄、性别、职业注册信息；所述商品信息包括以下属性信息：名称、类别、价格、品牌、适用人群。
3.根据权利要求1所述的商品推荐方法，其特征在于，步骤S2具体包括以下子步骤：
S21，根据S1中获取的用户信息和商品信息，利用特征工程方法构建用户特征集U和商 品特征集V，U和V满足二分图约束；采用
Figure 504380DEST_PATH_IMAGE001
表示U的用户特征，R表示实数集合，n表 示U中节点数量，u表示U中节点的特征维度，采用
Figure 308388DEST_PATH_IMAGE002
表示V的商品特征，m表示V中节 点数量，v表示V中节点的特征维度；
S22，根据用户商品交互信息分别获取购买关系图
Figure 755419DEST_PATH_IMAGE003
、收藏关系图
Figure 303075DEST_PATH_IMAGE004
和浏览关系图
Figure 535473DEST_PATH_IMAGE005
，G 1、G 2和G 3采用无权图表示不同视图下的用户商品关系。
4.根据权利要求3所述的商品推荐方法，其特征在于，步骤S3具体包括以下子步骤：
S31，根据购买关系图G 1得到用户因购买商品所产生的潜在关系矩阵为
Figure 775962DEST_PATH_IMAGE006
，根据收藏关系图G 2得到用户因收藏所产生的潜在关系矩阵
Figure 444709DEST_PATH_IMAGE007
，根据浏览关系图G 3得到用户因浏览所产生的潜在关系矩阵
Figure 61635DEST_PATH_IMAGE008
；
S32，利用两层图卷积网络自编码不同视图下的用户特征：
Figure 882961DEST_PATH_IMAGE009
其中，
Figure 294351DEST_PATH_IMAGE010
表示用户在不同视图下的编码特征，
Figure 466706DEST_PATH_IMAGE011
分别表示购买、收藏、浏览，
Figure 628870DEST_PATH_IMAGE012
，
Figure 570281DEST_PATH_IMAGE013
表示
Figure 418151DEST_PATH_IMAGE014
的度矩阵，
Figure 812223DEST_PATH_IMAGE015
和
Figure 770952DEST_PATH_IMAGE016
表示特征转换时可学习的权重参 数，
Figure 550558DEST_PATH_IMAGE017
表示激活函数；
S33，利用多图学习方法得到用户在不同关系视图下的融合特征
Figure 569330DEST_PATH_IMAGE018
：
Figure 450698DEST_PATH_IMAGE019
其中，
Figure 947539DEST_PATH_IMAGE020
表示
Figure 597963DEST_PATH_IMAGE021
的正则化拉普拉斯矩阵，I表示单位矩阵，
Figure 771324DEST_PATH_IMAGE022
表示特征转换时可学习 的权重参数，
Figure 139988DEST_PATH_IMAGE023
为可调节参数，
Figure 440520DEST_PATH_IMAGE024
表示不同图之间的加权系数，计算方式如下：
Figure 211030DEST_PATH_IMAGE025
其中，
Figure 40445DEST_PATH_IMAGE026
表示矩阵的迹；
Figure 411253DEST_PATH_IMAGE027
和
Figure 249896DEST_PATH_IMAGE028
两式迭代求解得到用户在三种不同视图下的融合特 征
Figure 874912DEST_PATH_IMAGE029
；
S34，对S32得到的不同视图下的用户特征和S33得到的融合特征进行特征级联，得到用 户的最终嵌入特征
Figure 140808DEST_PATH_IMAGE030
，其中，||表示特征连接。
5.根据权利要求3所述的商品推荐方法，其特征在于，步骤S4具体包括以下子步骤：
S41，根据购买关系图G 1得到商品因被购买所产生的潜在关系矩阵为
Figure 484065DEST_PATH_IMAGE031
， 根据收藏关系图G 2得到商品因被收藏所产生的潜在关系矩阵
Figure 375667DEST_PATH_IMAGE032
，根据浏览关 系图G 3得到商品因被浏览所产生的潜在关系矩阵
Figure 855190DEST_PATH_IMAGE033
；
S42，利用两层图卷积网络自编码不同视图下的商品特征：
Figure 557566DEST_PATH_IMAGE034
其中，
Figure 122540DEST_PATH_IMAGE035
表示商品在不同视图下的编码特征，
Figure 302985DEST_PATH_IMAGE036
分别表示购买、收藏、浏览，
Figure 886282DEST_PATH_IMAGE037
，
Figure 493981DEST_PATH_IMAGE038
表示
Figure 811830DEST_PATH_IMAGE039
的度矩阵，
Figure 530387DEST_PATH_IMAGE040
和
Figure 250082DEST_PATH_IMAGE041
表示特征转换时可学习的权重参 数，
Figure 277949DEST_PATH_IMAGE042
表示激活函数；
S43，利用多图学习方法得到商品在不同关系视图下的融合特征
Figure 817515DEST_PATH_IMAGE043
：
Figure 605343DEST_PATH_IMAGE044
其中，
Figure 913964DEST_PATH_IMAGE045
表示
Figure 112733DEST_PATH_IMAGE046
的正则化拉普拉斯矩阵，
Figure 139595DEST_PATH_IMAGE047
表示单位矩阵，
Figure 465534DEST_PATH_IMAGE048
表示特征转换时可学习 的权重参数，
Figure 894242DEST_PATH_IMAGE049
为可调节参数，
Figure 14644DEST_PATH_IMAGE050
表示不同图之间的加权系数，计算方式如下：
Figure 778070DEST_PATH_IMAGE051
其中，
Figure 907700DEST_PATH_IMAGE052
表示矩阵的迹；
Figure 925334DEST_PATH_IMAGE053
和
Figure 747797DEST_PATH_IMAGE054
两式迭代求解得到商品在三种不同视图下的融合特 征
Figure 483672DEST_PATH_IMAGE055
；
S44，对S42得到的不同视图下的商品特征和S43得到的融合特征进行特征级联，得到商 品的最终嵌入特征
Figure 400681DEST_PATH_IMAGE056
，其中，||表示特征连接。
6.根据权利要求3所述的商品推荐方法，其特征在于，步骤S5中，根据通过用户特征嵌 入模型得到的用户嵌入特征
Figure 538401DEST_PATH_IMAGE057
以及根据商品特征嵌入模型得到的商品嵌入特征
Figure 266186DEST_PATH_IMAGE058
，得到 用户商品推荐分数矩阵
Figure 489357DEST_PATH_IMAGE059
，其中
Figure 960789DEST_PATH_IMAGE060
表示sigmoid激活函数，
Figure 202284DEST_PATH_IMAGE061
为 用于维度变换的可学习参数。
7.根据权利要求6所述的商品推荐方法，其特征在于，步骤S5中，根据购买关系图G 1、收 藏关系图G 2和浏览关系图G 3，采用随机采样方式，获取用户商品交互标签矩阵
Figure 366549DEST_PATH_IMAGE062
；根 据用户商品推荐分数矩阵
Figure 811437DEST_PATH_IMAGE063
和用户商品交互标签矩阵
Figure 86560DEST_PATH_IMAGE062
计算交叉熵损失函 数L 1；对不用视图下的用户和商品嵌入特征进行约束，采用L2损失函数L 2；根据损失函数L 1 和L 2训练商品推荐模型。
8.根据权利要求7所述的商品推荐方法，其特征在于，所述商品推荐模型的总损失函数
Figure 198873DEST_PATH_IMAGE064
；其中，
Figure 252148DEST_PATH_IMAGE065
表示商品推荐模型中所有可训练参数，
Figure 715491DEST_PATH_IMAGE066
用于控制L2正 则化强度，防止过拟合，损失函数L 1表示如下：
Figure 263147DEST_PATH_IMAGE067
其中，y表示用户商品标签矩阵Y中的元素，s表示用户商品推荐分数矩阵S中的元素；
损失函数
Figure 495545DEST_PATH_IMAGE068
表示如下：
Figure 470454DEST_PATH_IMAGE069
其中，
Figure 404781DEST_PATH_IMAGE070
和
Figure 21707DEST_PATH_IMAGE071
分别表示用户和商品在不同视图下的嵌入特征，
Figure 843033DEST_PATH_IMAGE072
分别表 示购买、收藏、浏览，
Figure 254422DEST_PATH_IMAGE073
表示用户因交互i所产生的潜在关系矩阵，
Figure 426778DEST_PATH_IMAGE074
表示商品因交互i所 产生的潜在关系矩阵。
9.根据权利要求1所述的商品推荐方法，其特征在于，具体地，在商品推荐模型训练完成后，能够计算用户特征集和商品特征集中的任意节点对之间的推荐分数，依据推荐分数进行排序，实现用户和商品之间的推荐任务。
10.一种基于多视图自编码特征的商品推荐装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，用于实现如权利要求1-9中任一项所述的基于多视图自编码特征的商品推荐方法。
CN202211232223.1A 2022-10-10 2022-10-10 一种基于多视图自编码特征的商品推荐方法及装置 Active CN115309997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211232223.1A CN115309997B (zh) 2022-10-10 2022-10-10 一种基于多视图自编码特征的商品推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211232223.1A CN115309997B (zh) 2022-10-10 2022-10-10 一种基于多视图自编码特征的商品推荐方法及装置

Publications (2)

Publication Number Publication Date
CN115309997A true CN115309997A (zh) 2022-11-08
CN115309997B CN115309997B (zh) 2023-02-28

Family

ID=83867821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211232223.1A Active CN115309997B (zh) 2022-10-10 2022-10-10 一种基于多视图自编码特征的商品推荐方法及装置

Country Status (1)

Country Link
CN (1) CN115309997B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563573A (zh) * 2023-01-12 2023-08-08 北京爱咔咔信息技术有限公司 一种商品与价签的匹配方法、装置、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130103628A1 (en) * 2011-10-20 2013-04-25 Sidebar, Inc. User activity dashboard for depicting behaviors and tuning personalized content guidance
CN107122411A (zh) * 2017-03-29 2017-09-01 浙江大学 一种基于离散多视图哈希的协同过滤推荐方法
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
CN110162690A (zh) * 2018-10-23 2019-08-23 腾讯科技（深圳）有限公司 确定用户对物品的兴趣度的方法与装置、设备和存储介质
CN111815415A (zh) * 2020-07-14 2020-10-23 北京邮电大学 一种商品推荐方法、系统及设备
US20210027178A1 (en) * 2019-07-26 2021-01-28 Ricoh Company, Ltd. Recommendation method and recommendation apparatus based on deep reinforcement learning, and non-transitory computer-readable recording medium
CN112308669A (zh) * 2020-10-29 2021-02-02 深圳大学 一种商品推荐方法、装置、存储介质及终端设备
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
CN114493784A (zh) * 2022-01-25 2022-05-13 徐丽丽 基于大数据的商品推荐方法和推荐系统
CN115017405A (zh) * 2022-05-13 2022-09-06 云境商务智能研究院南京有限公司 一种基于多任务自编码的图神经网络旅游包推荐方法
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

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130103628A1 (en) * 2011-10-20 2013-04-25 Sidebar, Inc. User activity dashboard for depicting behaviors and tuning personalized content guidance
CN107122411A (zh) * 2017-03-29 2017-09-01 浙江大学 一种基于离散多视图哈希的协同过滤推荐方法
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
CN110162690A (zh) * 2018-10-23 2019-08-23 腾讯科技（深圳）有限公司 确定用户对物品的兴趣度的方法与装置、设备和存储介质
US20210027178A1 (en) * 2019-07-26 2021-01-28 Ricoh Company, Ltd. Recommendation method and recommendation apparatus based on deep reinforcement learning, and non-transitory computer-readable recording medium
CN111815415A (zh) * 2020-07-14 2020-10-23 北京邮电大学 一种商品推荐方法、系统及设备
CN112308669A (zh) * 2020-10-29 2021-02-02 深圳大学 一种商品推荐方法、装置、存储介质及终端设备
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
CN114493784A (zh) * 2022-01-25 2022-05-13 徐丽丽 基于大数据的商品推荐方法和推荐系统
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
CN115017405A (zh) * 2022-05-13 2022-09-06 云境商务智能研究院南京有限公司 一种基于多任务自编码的图神经网络旅游包推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘洪伟等: "基于用户浏览行为的兴趣识别管理模型", 《数据分析与知识发现》 *
吴静等: "图神经网络推荐系统综述", 《计算机科学与探索》 *
王茜等: "基于商品购买关系网络的多样性推荐", 《系统管理学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563573A (zh) * 2023-01-12 2023-08-08 北京爱咔咔信息技术有限公司 一种商品与价签的匹配方法、装置、设备及存储介质
CN116563573B (zh) * 2023-01-12 2023-10-13 北京爱咔咔信息技术有限公司 一种商品与价签的匹配方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115309997B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
CN111242729A (zh) 一种基于长短期兴趣的序列化推荐方法
CN109087130A (zh) 一种基于注意力机制的推荐系统及推荐方法
CN114372573B (zh) 用户画像信息识别方法、装置、计算机设备和存储介质
CN112258260A (zh) 基于用户特征的页面展示方法、装置、介质及电子设备
CN110321473B (zh) 基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备
CN110781401A (zh) 一种基于协同自回归流实现的Top-n项目推荐方法
CN115309997B (zh) 一种基于多视图自编码特征的商品推荐方法及装置
CN115860880B (zh) 基于多层异质图卷积模型的个性化商品推荐方法及系统
KR102422408B1 (ko) 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치
CN110689110A (zh) 处理交互事件的方法及装置
CN116150480A (zh) 一种融合多模态评论信息的用户个性化需求预测方法
CN116071128A (zh) 一种基于多行为特征提取与自监督学习的多任务推荐方法
CN111429161A (zh) 特征提取方法、特征提取装置、存储介质及电子设备
US20240037133A1 (en) Method and apparatus for recommending cold start object, computer device, and storage medium
CN112364236A (zh) 目标对象推荐系统、方法、装置、数据处理方法及装置
Liu Deep learning in marketing: a review and research agenda
CN110570226B (zh) 一种联合主题模型和异质信息网络的评分预测方法
Seema et al. Development of fading channel patch based convolutional neural network models for customer churn prediction
CN114861072A (zh) 一种基于层间组合机制的图卷积网络推荐方法及装置
CN113298661B (zh) 一种基于人工智能的产品推荐方法、装置及电子设备
Lu Knowledge distillation-enhanced multitask framework for recommendation
CN113888282A (zh) 一种物品推荐模型的训练方法、物品推荐方法和装置
CN113469819A (zh) 基金产品的推荐方法、相关装置及计算机存储介质
CN110659962A (zh) 一种商品信息输出方法及相关装置

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