CN115760271A - 基于图神经网络的机电商品个性化推荐方法和系统 - Google Patents
基于图神经网络的机电商品个性化推荐方法和系统 Download PDFInfo
- Publication number
- CN115760271A CN115760271A CN202211331572.9A CN202211331572A CN115760271A CN 115760271 A CN115760271 A CN 115760271A CN 202211331572 A CN202211331572 A CN 202211331572A CN 115760271 A CN115760271 A CN 115760271A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- electromechanical
- personalized recommendation
- neural network
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于图神经网络的机电商品个性化推荐方法和系统,所述方法包括以下步骤:通过网络爬虫爬取电商平台上用户与机电商品交互的历史行为数据,得到用户商品数据集;构建基于图神经网络的个性化推荐模型,其中,所述个性化推荐模型包括嵌入层、前向传播层和评分预测层;通过所述用户商品数据集训练所述个性化推荐模型;利用训练后的个性化推荐模型得到待推荐用户的商品推荐列表。本发明能够提高机电商品个性化推荐的准确率和推荐效率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于图神经网络的机电商品个性化推荐方法和一种基于图神经网络的机电商品个性化推荐系统。
背景技术
随着互联网+的发展,网络数据量飞速增长,人们很难从高数据量中获取自己想要的信息,从而形成“信息过载”。个性化推荐是解决当今时代“信息过载”问题的重要方法。推荐系统根据不同的推荐算法对用户兴趣和物品特征进行匹配筛选,找到用户可能感兴趣的物品,最后推荐给用户。相应技术也在日益增多,例如:
CN113705792A提供了一种商品推荐方法、装置、设备及介质,从训练样本集的第一行为数据中提取第一特征信息,第一特征信息包括基本特征信息和时序特征信息;将第一特征信息输入预设的深度学习模型中进行训练,得到个性化推荐模型;将从目标用户的第二行为数据中提取的第二特征信息输入个性化推荐模型中,得到个性化标签向量;根据个性化标签向量,利用指定算法计算得到目标标签向量,并将目标标签向量对应的目标标签下的内容推荐给目标用户的用户终端,增强了模型训练结果的精准度,提高了个性化推荐的准确性。
CN113806638A提供了一种商品推荐方法及相关设备,对用户的静态信息数据和动态信息数据进行分析,并根据分析的结果对用户进行对应分类,得到第一用户集合和第二用户集合,根据第一用户集合和第二用户集合生成用户画像,根据各用户的用户画像对用户进行个性化推荐。
目前,由于机电商品种类繁多、专业性强、用户需求各异等特点,推荐效率不高,导致机电商品的个性化推荐发明极为少见。
传统的推荐方法及系统存在如下问题:
1、当前应用较多的推荐模型存在推荐效果失准率高的问题,在传统推荐模型中大多数都是只考虑用户和商品之间的显性关系,然后通过这些显性关系匹配相关商品给用户,并没有充分利用用户和商品间存在的隐性关系,例如,用户购买了某品牌的手机,通过显性信息只能推荐给用户同品牌的手机,但是用户为什么选择该品牌的该手机的具体原因无法得知,而这些信息在对用户进行个性化推荐时往往非常重要。
2、传统推荐模型存在推荐效率低下的问题,传统推荐模型采用人工提取特征的方式,仅适用于小数据集情形;当用户、商品以及用户和商品交互关系数量庞大时,传统推荐模型处理的速度极为缓慢。
发明内容
本发明为解决上述技术问题,提供了一种基于图神经网络的机电商品个性化推荐方法和系统,能够提高机电商品个性化推荐的准确率和推荐效率。
本发明采用的技术方案如下:
一种基于图神经网络的机电商品个性化推荐方法,包括以下步骤:通过网络爬虫爬取电商平台上用户与机电商品交互的历史行为数据,得到用户商品数据集;构建基于图神经网络的个性化推荐模型,其中,所述个性化推荐模型包括嵌入层、前向传播层和评分预测层;通过所述用户商品数据集训练所述个性化推荐模型;利用训练后的个性化推荐模型得到待推荐用户的机电商品推荐列表。
通过网络爬虫爬取的数据包括所有的用户的ID值、所有的机电商品的编号值、所有的用户与机电商品交互的历史行为,其中,所有的用户的ID值依序编码得到用户编码,所有的机电商品的编号值依序编码得到商品编码,所述用户商品数据集中的一个数据包括一个用户编码、与该用户有交互关系的机电商品的商品编码,或者包括一个商品编码、与该机电商品有交互关系的用户的用户编码。
用户与机电商品交互的行为包括浏览后购买、购买和浏览,所述用户商品数据集中的一个数据中与一个用户有交互关系的机电商品的商品编码按照浏览后购买、购买和浏览的优先级顺序进行排序,所述用户商品数据集中的一个数据中与一个机电商品有交互关系的用户的用户编码按照浏览后购买、购买和浏览的优先级顺序进行排序。
所述嵌入层用于将所述用户商品数据集导入所述个性化推荐模型,所述前向传播层用于提取用户与机电商品的交互关系,并通过堆叠多层图卷积得到用户u和机电商品i第k跳到第k+1跳的向前传播规则,所述评分预测层用于对要向用户推荐的商品进行评分,并根据评分高低的排序生成商品推荐列表。
所述个性化推荐模型还引入注意力机制,且所述个性化推荐模型的输出结果采用Adam优化器进行优化。
一种基于图神经网络的机电商品个性化推荐系统,包括:数据获取模块,用于通过网络爬虫爬取电商平台上用户与机电商品交互的历史行为数据,得到用户商品数据集;模型构建模块,用于构建基于图神经网络的个性化推荐模型,其中,所述个性化推荐模型包括嵌入层、前向传播层和评分预测层;模型训练模块,用于通过所述用户商品数据集训练所述个性化推荐模型;商品推荐模块,用于利用训练后的个性化推荐模型得到待推荐用户的机电商品推荐列表。
通过网络爬虫爬取的数据包括所有的用户的ID值、所有的机电商品的编号值、所有的用户与机电商品交互的历史行为,其中,所有的用户的ID值依序编码得到用户编码,所有的机电商品的编号值依序编码得到商品编码,所述用户商品数据集中的一个数据包括一个用户编码、与该用户有交互关系的机电商品的商品编码,或者包括一个商品编码、与该机电商品有交互关系的用户的用户编码。
用户与机电商品交互的行为包括浏览后购买、购买和浏览,所述用户商品数据集中的一个数据中与一个用户有交互关系的机电商品的商品编码按照浏览后购买、购买和浏览的优先级顺序进行排序,所述用户商品数据集中的一个数据中与一个机电商品有交互关系的用户的用户编码按照浏览后购买、购买和浏览的优先级顺序进行排序。
所述嵌入层用于将所述用户商品数据集导入所述个性化推荐模型,所述前向传播层用于提取用户与机电商品的交互关系,并通过堆叠多层图卷积得到用户u和机电商品i第k跳到第k+1跳的向前传播规则,所述评分预测层用于对要向用户推荐的商品进行评分,并根据评分高低的排序生成商品推荐列表。
所述个性化推荐模型还引入注意力机制,且所述个性化推荐模型的输出结果采用Adam优化器进行优化。
本发明的有益效果:
本发明的基于图神经网络的机电商品个性化推荐方法和系统,通过爬取电商平台上用户与机电商品交互的历史行为数据,能够充分挖掘用户与机电商品的交互信息,为捕捉用户的个性化需求提供基础,基于图神经网络构建个性化推荐模型,去除了传统图神经网络中对于个性化推荐无用的特征变化和非线性激活,整体模型简洁,易于训练,由此,能够提高机电商品个性化推荐的准确率和推荐效率。
附图说明
图1为本发明实施例的基于图神经网络的机电商品个性化推荐方法的流程图;
图2为本发明一个具体实施例的基于图神经网络的个性化推荐模型的数据处理示意图;
图3为本发明一个具体实施例的前向传播层的实例图;
图4为本发明实施例的基于图神经网络的机电商品个性化推荐系统的方框示意图。
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,所描述的实施例仅仅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做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。
如图1所示,本发明实施例的基于图神经网络的机电商品个性化推荐方法包括以下步骤:
S1,通过网络爬虫爬取电商平台上用户与机电商品交互的历史行为数据,得到用户商品数据集。
在本发明的一个实施例中,机电商品可为智能手机等,可针对机电商品的交易平台,例如京东商城设计相应的网络爬虫,爬取用户与机电商品交互的历史行为数据。其中,用户与机电商品交互的行为包括浏览后购买、购买和浏览。
在本发明的一个实施例中,通过网络爬虫爬取的数据包括所有的用户的ID值、所有的机电商品的编号值、所有的用户与机电商品交互的历史行为,得到这些数据后可进行预处理,其中,所有的用户的ID值依序编码得到用户编码,所有的机电商品的编号值依序编码得到商品编码,用户商品数据集中的一个数据包括一个用户编码、与该用户有交互关系的机电商品的商品编码,或者包括一个商品编码、与该机电商品有交互关系的用户的用户编码。
用户商品数据集中的一个数据中与一个用户有交互关系的机电商品的商品编码可按照浏览后购买、购买和浏览的优先级顺序进行排序,用户商品数据集中的一个数据中与一个机电商品有交互关系的用户的用户编码按照浏览后购买、购买和浏览的优先级顺序进行排序。
S2,构建基于图神经网络的个性化推荐模型,其中,个性化推荐模型包括嵌入层、前向传播层和评分预测层。
在本发明的一个实施例中,嵌入层用于将用户商品数据集导入个性化推荐模型,前向传播层用于提取用户与机电商品的交互关系,并通过堆叠多层图卷积得到用户u和机电商品i第k跳到第k+1跳的向前传播规则,评分预测层用于对要向用户推荐的机电商品进行评分,并根据评分高低的排序生成机电商品推荐列表。
下面参照图2详细说明本发明一个具体实施例的个性化推荐模型。
在获取到京东用户商品数据集后,将其输入个性化推荐模型的输入层,在输入层,可获得用户商品的输入向量,包括将用户编码和商品编码表示为用户和机电商品的输入向量,其中用户编码为从0开始的用户集编码,商品编码为从0开始的京东专属商品编码的再编码。
在嵌入层,可将制作完成的用户商品数据集导入,与用户u有交互关系的机电商品i被嵌入定义为用户u的特征。嵌入层可将用户输入向量和商品输入向量嵌入,得到用户的嵌入向量和机电商品的嵌入向量。用户的嵌入向量包括其历史浏览、购买、浏览后购买商品对应的嵌入向量的集合,构成用户的嵌入特征;机电商品的嵌入向量包括其历史交互者对应的嵌入向量的集合,构成商品的嵌入特征。嵌入向量即隐向量。具体地,在嵌入层中,将全部用户的用户编码嵌入向量构成集合将全部机电商品的商品编码嵌入向量构成集合其中d为嵌入向量的维度。
本发明实施例的个性化推荐模型还引入注意力机制,可对隐向量进行加权。对于每一个用户计算出其历史交互商品的注意力权重,用来衡量用户更偏向于哪些机电商品,对于每一个机电商品计算出其历史交互者的注意力权重,用来衡量物品更偏向于被哪些用户购买。注意力机制中,用户浏览后购买的商品优先级最高(如图2“注意力机制”中,机电商品i1和i4分别对应于用户u1和u2优先级最高,分配最高的权重;同理,用户u1,uz分别对应机电商品i1和i2优先级最高,分配最高的权重),其次为购买的机电商品,最后为用户浏览的机电商品。
具体地,参照图3,用户u2、用户u3、用户u4的特征(商品编码)嵌入给用户u1,即用户u1在图卷积网络内传播一次,也叫作用户u1的一跳嵌入,这时,用户u1的特征除了自身的特征外,还具备了用户u2、用户u3、用户u4的特征。前向传播的意义在于将任意用户ui的所有邻居节点中的所有商品编码进行聚合,然后嵌入到用户ui中,作为用户ui的特征表示,故用户ui第1跳的嵌入表达记作(用户ui的一跳表示)计算公式为:
其中,N为用户数目。
用户ui的第一跳嵌入代表建模了用户ui和机电商品之间的一阶交互关系,本模型需要建模用户ui与其他商品的“高阶交互关系”。如用户u1在得到了用户u2的自身特征的基础上,用户u2根据前向传播又包含了用户u5和用户u6的特征,那么用户u1也会得到了用户u5和用户u6的特征,这记作用户u1的二阶交互关系,也叫作用户u1的第二跳特征嵌入。在本模型中,通过堆叠多层图卷积可以得到用户ui和机电商品ij第k跳到第k+1跳的前向传播规则,计算公式如下:
在评分预测层,可进行用户对机电商品的点击率的预测,用户编码后的商品编码顺序采取了浏览后购买、购买、浏览的优先级排序,优先级高的商品在评分中获得的分数也会越高,初步得到机电商品推荐列表。
S3,通过用户商品数据集训练个性化推荐模型。
对于上述的用户商品数据集,可随机选择30%的数据集合作为测试集,其余数据集合作为训练集,以对上述个性化推荐模型进行训练。在训练模型时,将用户交互过的机电商品标记为正样本,最后模型输出结果应该尽可能接近1,将用户未交互过的机电商品标记为负样本,最后模型的输出结果应该尽可能接近0。为了使模型能够通过训练数据学习到正确的预估用户对商品的购买概率值,可选择合适的损失函数,判断在训练过程中模型整体的损失值,然后通过优化函数,不断减小损失值,达到模型优化的效果。由于本发明实施例中的推荐结果为预估用户是否会与推荐的机电商品产生交互,所有模型训练的损失函数采用贝叶斯损失。优化函数可采用Adam优化器,也可以根据实际情况自行选择其他优化函数。
然后使用测试集进行结果测试。
S4,利用训练后的个性化推荐模型得到待推荐用户的机电商品推荐列表。
训练后的个性化推荐模型可以得到用户对输入的所有机电商品的交互概率值,将这些概率值按照大小进行排序,排名越靠前说明购买的可能性越大,选取排序后的前n个机电商品构成推荐列表推荐给用户。
根据本发明实施例的基于图神经网络的机电商品个性化推荐方法,通过爬取用户与机电商品交互的历史行为数据,能够充分挖掘用户与机电商品的交互信息,为捕捉用户的个性化需求提供基础,基于图神经网络构建个性化推荐模型,去除了传统图神经网络中对于个性化推荐无用的特征变化和非线性激活,整体模型简洁,易于训练,由此,能够提高机电商品个性化推荐的准确率和推荐效率。
对应上述实施例的基于图神经网络的机电商品个性化推荐方法,本发明还提出一种基于图神经网络的机电商品个性化推荐系统。
如图4所示,本发明实施例的基于图神经网络的机电商品个性化推荐系统,包括数据获取模块10、模型构建模块20、模型训练模块30和商品推荐模块40。其中,数据获取模块10用于通过网络爬虫爬取电商平台上用户与机电商品交互的历史行为数据,得到用户商品数据集;模型构建模块20用于构建基于图神经网络的个性化推荐模型,其中,个性化推荐模型包括嵌入层、前向传播层和评分预测层;模型训练模块30用于通过用户商品数据集训练个性化推荐模型;商品推荐模块40用于利用训练后的个性化推荐模型得到待推荐用户的机电商品推荐列表。
在本发明的一个实施例中,机电商品可为智能手机等,可针对机电商品的交易平台,例如京东商城设计相应的网络爬虫,爬取用户与机电商品交互的历史行为数据。其中,用户与机电商品交互的行为包括浏览后购买、购买和浏览。
在本发明的一个实施例中,通过网络爬虫爬取的数据包括所有的用户的ID值、所有的机电商品的编号值、所有的用户与机电商品交互的历史行为,得到这些数据后可进行预处理,其中,所有的用户的ID值依序编码得到用户编码,所有的机电商品的编号值依序编码得到商品编码,用户商品数据集中的一个数据包括一个用户编码、与该用户有交互关系的机电商品的商品编码,或者包括一个商品编码、与该机电商品有交互关系的用户的用户编码。
用户商品数据集中的一个数据中与一个用户有交互关系的机电商品的商品编码可按照浏览后购买、购买和浏览的优先级顺序进行排序,用户商品数据集中的一个数据中与一个机电商品有交互关系的用户的用户编码按照浏览后购买、购买和浏览的优先级顺序进行排序。
在本发明的一个实施例中,嵌入层用于将用户商品数据集导入个性化推荐模型,前向传播层用于提取用户与机电商品的交互关系,并通过堆叠多层图卷积得到用户u和机电商品i第k跳到第k+1跳的向前传播规则,评分预测层用于对要向用户推荐的机电商品进行评分,并根据评分高低的排序生成机电商品推荐列表。
在本发明的一个实施例中,个性化推荐模型还引入注意力机制,且个性化推荐模型的输出结果采用Adam优化器进行优化。
根据本发明实施例的基于图神经网络的机电商品个性化推荐系统,通过爬取用户与机电商品交互的历史行为数据,能够充分挖掘用户与机电商品的交互信息,为捕捉用户的个性化需求提供基础,基于图神经网络构建个性化推荐模型,去除了传统图神经网络中对于个性化推荐无用的特征变化和非线性激活,整体模型简洁,易于训练,由此,能够提高机电商品个性化推荐的准确率和推荐效率。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于图神经网络的机电商品个性化推荐方法,其特征在于,包括以下步骤:
通过网络爬虫爬取电商平台上用户与机电商品交互的历史行为数据,得到用户商品数据集;
构建基于图神经网络的个性化推荐模型,其中,所述个性化推荐模型包括嵌入层、前向传播层和评分预测层;
通过所述用户商品数据集训练所述个性化推荐模型;
利用训练后的个性化推荐模型得到待推荐用户的机电商品推荐列表。
2.根据权利要求1所述的基于图神经网络的机电商品个性化推荐方法,其特征在于,通过网络爬虫爬取的数据包括所有的用户的ID值、所有的机电商品的编号值、所有的用户与机电商品交互的历史行为,其中,所有的用户的ID值依序编码得到用户编码,所有的机电商品的编号值依序编码得到商品编码,所述用户商品数据集中的一个数据包括一个用户编码、与该用户有交互关系的机电商品的商品编码,或者包括一个商品编码、与该机电商品有交互关系的用户的用户编码。
3.根据权利要求2所述的基于图神经网络的机电商品个性化推荐方法,其特征在于,用户与机电商品交互的行为包括浏览后购买、购买和浏览,所述用户商品数据集中的一个数据中与一个用户有交互关系的机电商品的商品编码按照浏览后购买、购买和浏览的优先级顺序进行排序,所述用户商品数据集中的一个数据中与一个机电商品有交互关系的用户的用户编码按照浏览后购买、购买和浏览的优先级顺序进行排序。
4.根据权利要求3所述的基于图神经网络的机电商品个性化推荐方法,其特征在于,所述嵌入层用于将所述用户商品数据集导入所述个性化推荐模型,所述前向传播层用于提取用户与机电商品的交互关系,并通过堆叠多层图卷积得到用户u和机电商品i第k跳到第k+1跳的向前传播规则,所述评分预测层用于对要向用户推荐的机电商品进行评分,并根据评分高低的排序生成机电商品推荐列表。
5.根据权利要求4所述的基于图神经网络的机电商品个性化推荐方法,其特征在于,所述个性化推荐模型还引入注意力机制,且所述个性化推荐模型的输出结果采用Adam优化器进行优化。
6.一种基于图神经网络的机电商品个性化推荐系统,其特征在于,包括:
数据获取模块,用于通过网络爬虫爬取用户与机电商品交互的历史行为数据,得到用户商品数据集;
模型构建模块,用于构建基于图神经网络的个性化推荐模型,其中,所述个性化推荐模型包括嵌入层、前向传播层和评分预测层;
模型训练模块,用于通过所述用户商品数据集训练所述个性化推荐模型;
商品推荐模块,用于利用训练后的个性化推荐模型得到待推荐用户的机电商品推荐列表。
7.根据权利要求6所述的基于图神经网络的机电商品个性化推荐系统,其特征在于,通过网络爬虫爬取的数据包括所有的用户的ID值、所有的机电商品的编号值、所有的用户与机电商品交互的历史行为,其中,所有的用户的ID值依序编码得到用户编码,所有的机电商品的编号值依序编码得到商品编码,所述用户商品数据集中的一个数据包括一个用户编码、与该用户有交互关系的机电商品的商品编码,或者包括一个商品编码、与该机电商品有交互关系的用户的用户编码。
8.根据权利要求7所述的基于图神经网络的机电商品个性化推荐系统,其特征在于,用户与机电商品交互的行为包括浏览后购买、购买和浏览,所述用户商品数据集中的一个数据中与一个用户有交互关系的机电商品的商品编码按照浏览后购买、购买和浏览的优先级顺序进行排序,所述用户商品数据集中的一个数据中与一个机电商品有交互关系的用户的用户编码按照浏览后购买、购买和浏览的优先级顺序进行排序。
9.根据权利要求8所述的基于图神经网络的机电商品个性化推荐系统,其特征在于,所述嵌入层用于将所述用户商品数据集导入所述个性化推荐模型,所述前向传播层用于提取用户与机电商品的交互关系,并通过堆叠多层图卷积得到用户u和机电商品i第k跳到第k+1跳的向前传播规则,所述评分预测层用于对要向用户推荐的商品进行评分,并根据评分高低的排序生成商品推荐列表。
10.根据权利要求9所述的基于图神经网络的机电商品个性化推荐系统,其特征在于,所述个性化推荐模型还引入注意力机制,且所述个性化推荐模型的输出结果采用Adam优化器进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331572.9A CN115760271A (zh) | 2022-10-28 | 2022-10-28 | 基于图神经网络的机电商品个性化推荐方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211331572.9A CN115760271A (zh) | 2022-10-28 | 2022-10-28 | 基于图神经网络的机电商品个性化推荐方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760271A true CN115760271A (zh) | 2023-03-07 |
Family
ID=85354946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211331572.9A Pending CN115760271A (zh) | 2022-10-28 | 2022-10-28 | 基于图神经网络的机电商品个性化推荐方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760271A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226540A (zh) * | 2023-05-09 | 2023-06-06 | 浙江大学 | 一种基于用户兴趣域的端到端联邦个性化推荐方法和系统 |
CN116611897A (zh) * | 2023-07-19 | 2023-08-18 | 宜宾叙控科技有限公司 | 基于人工智能的消息提醒方法和系统 |
-
2022
- 2022-10-28 CN CN202211331572.9A patent/CN115760271A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116226540A (zh) * | 2023-05-09 | 2023-06-06 | 浙江大学 | 一种基于用户兴趣域的端到端联邦个性化推荐方法和系统 |
CN116226540B (zh) * | 2023-05-09 | 2023-09-26 | 浙江大学 | 一种基于用户兴趣域的端到端联邦个性化推荐方法和系统 |
CN116611897A (zh) * | 2023-07-19 | 2023-08-18 | 宜宾叙控科技有限公司 | 基于人工智能的消息提醒方法和系统 |
CN116611897B (zh) * | 2023-07-19 | 2023-10-13 | 北京快益通科技有限公司 | 基于人工智能的消息提醒方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111061946B (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN111177575A (zh) | 一种内容推荐方法、装置、电子设备和存储介质 | |
CN115760271A (zh) | 基于图神经网络的机电商品个性化推荐方法和系统 | |
CN111931062A (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN113256367B (zh) | 用户行为历史数据的商品推荐方法、系统、设备及介质 | |
KR102203253B1 (ko) | 생성적 적대 신경망에 기반한 평점 증강 및 아이템 추천 방법 및 시스템 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN111738780A (zh) | 一种推荐对象的方法及系统 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
CN112699310A (zh) | 基于深度神经网络的冷启动跨域混合推荐的方法及系统 | |
CN114386513A (zh) | 一种集成评论与评分的交互式评分预测方法及系统 | |
CN112819024A (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
CN113536105A (zh) | 推荐模型训练方法和装置 | |
CN115222044A (zh) | 模型训练方法、图数据处理方法、装置、设备及存储介质 | |
CN111178946A (zh) | 一种用户行为表征的方法及系统 | |
CN114298783A (zh) | 基于矩阵分解融合用户社交信息的商品推荐方法及系统 | |
CN116821516B (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN111310029B (zh) | 一种基于用户商品画像和潜在因子特征提取的混合推荐方法 | |
CN113763095A (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
CN116911949A (zh) | 基于边界排名损失和邻域感知图神经网络的物品推荐方法 | |
CN116204723A (zh) | 一种基于动态超图表示学习的社交推荐方法 | |
CN113656589B (zh) | 对象属性确定方法、装置、计算机设备及存储介质 | |
CN111445282B (zh) | 基于用户行为的业务处理方法、装置及设备 |
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 |