CN115760276A

CN115760276A - 基于图神经网络的推荐方法、推荐装置及推荐系统

Info

Publication number: CN115760276A
Application number: CN202211372222.7A
Authority: CN
Inventors: 谢春甫
Original assignee: Yonyou Network Technology Co Ltd
Current assignee: Yonyou Network Technology Co Ltd
Priority date: 2022-11-03
Filing date: 2022-11-03
Publication date: 2023-03-07

Abstract

本发明提出了一种基于图神经网络的推荐方法、推荐装置及推荐系统。其中，基于图神经网络的推荐方法包括：根据用户数据获取商品数据，并根据商品数据确定商品对象；根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

Description

基于图神经网络的推荐方法、推荐装置及推荐系统

技术领域

本发明涉及信息处理技术领域，具体而言，涉及一种基于图神经网络的推荐方法、一种基于图神经网络的推荐装置以及一种基于图神经网络的推荐系统。

背景技术

在现有技术中，通常基于图神经网络模型对用户需要的商品进行推荐，而知识图谱具有丰富的商品关联信息，可以为推荐系统提供丰富的辅助信息，但是图神经网络只能通过单关系图进行训练，而知识图谱为多关系图，无法对图神经网络训练，从而影响图神经网络的推荐效果。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个方面在于提出了一种基于图神经网络的推荐方法。

本发明的另一个方面在于提出了一种基于图神经网络的推荐装置。

本发明的再一个方面在于提出了一种基于图神经网络的推荐系统。

本发明的又一个方面在于提出了一种可读存储介质。

有鉴于此，根据本发明的一个方面，提出了一种基于图神经网络的推荐方法，包括：根据用户数据获取商品数据，并根据商品数据确定商品对象；根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

本发明提供的基于图神经网络的推荐方法，需要建立关于用户消费商品的知识图谱，具体地，服务端首先根据用户数据获取商品数据，用户数据可以是用户在进行商品交易时的交易数据，用户数据可包括用户自身的身份标识码、用户交易商品时商品的身份标识码以及商品名称信息。因此，服务端可以通过获取的用户数据确定商品数据。

在获取了用户的商品数据后，服务端需要对商品数据进行进一步的提取，具体地，商品数据是用户在交易平台上标注的信息数据，商品数据可包括商品名称、商品的品牌名称、商品的型号名称。为了能够更加准确清晰的反映商品的实体信息，因此，服务端需要根据商品数据确定商品对象，也就是商品本身所代表的实体信息。服务端通过商品数据确定商品对象，避免了其它的商品信息对在建立知识图谱时，两条数据之间的链接造成的影响，进而导致知识图谱的建立失败。

在确定商品对象后，服务端根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱。

在该技术方案中，特征信息是用来表示商品对象属性以及用来限定商品对象的信息，具体地，特征信息可以用来表示商品对象的品牌、规格、型号等信息，也可是用来限定商品对象所应用的领域、以及解释商品对象的作用的信息。

服务端通过商品对象获取多个特征信息，对表示商品特征的商品信息进行了进一步的拓展，丰富了商品对象的关联信息，进而使得根据商品名称以及多个特征信息生成的第一知识图谱中的信息更加多样化，进而提升了预设神经网络模型的训练效果。

当确定了第一知识图谱后，服务端通过预设的神经网络模型对第一知识图谱进行向量化处理，具体地，知识图谱中的每两条商品数据之间的数据相关性均不相同，为了能够更加清晰的反映商品数据之间的数据相关性信息，服务端需要对知识图谱中的每条与商品相关的商品数据进行向量化处理，以使得每个商品数据都有对应的数据向量，更加方便每两条商品数据之间的比较以及相关度的计算。

在将第一知识图谱进行向量化处理后，服务端根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型，具体地，服务端通过向量化处理后的第一知识图谱对预设神经网络模型训练，以使得预设神经网络模型在训练中可以学习第一知识图谱中不同的商品数据之间的相关度，由于第一知识图谱好似通过用户数据得到的，因此，服务端通过第一知识图谱对预设神经网络模型的训练，预设神经网络模型还可学习到用户对于不同类型商品的偏好程度，进而使得训练后的预设神经网络模型可以更好的对用户进行推荐。

在对预设神经网络模型训练完毕，得到目标神经网络模型后，服务端通过目标神经网络模型根据用户请求进行推荐，以使得用户可得到符合自身商品需求的商品。

本技术方案的基于图神经网络的推荐方法，服务端通过商品名称以及特征信息生成第一知识图谱，更加清晰的反映了商品的特征；服务端通过生成的第一知识图谱对预设神经网络模型进行训练，并通过训练后的目标神经网络模型对用户进行推荐，实现了通过异质图神经网络模型根据多关系的异质图谱(即知识图谱)进行用户商品推荐的技术效果，改善了推荐效果，提升了用户体验。

根据本发明的上述基于图神经网络的推荐方法，还可以具有以下技术特征：

在上述技术方案中，根据商品数据以及商品对象获取多个特征信息，具体包括：对商品数据进行分词处理，得到多个第一特征信息；根据商品对象确定多个第二特征信息，第二特征信息为商品对象的同义词；根据商品对象确定多个第三特征信息，第三特征信息为商品对象的上位词；获取预设的第二知识图谱，并获取商品对象在第二知识图谱中对应的子知识图谱；根据子知识图谱确定多个第四特征信息。

在该技术方案中，对特征信息的获取进行了进一步限定，具体地，特征信息的来源分为四部分，分别是：商品数据本身关于商品对象的特征信息、商品对象的同义词信息、商品对象的上位词信息以及在预设的第二知识图谱处获取的关于商品对象的特征信息。

具体地，服务端通过对商品数据进行分词处理，并将用来表示商品对象属性的名词作为第一特征信息；服务端通过腾讯词向量对商品对象的同义词进行查询并将获取到的同义词作为第二特征信息；服务端通过开源大辞林对商品对象的上位词进行查询，并将获取到的上位词作为第三特征信息；服务端通过在中文开放知识图谱中查找与商品对象对应的子知识图谱，也就是与商品对象有关的知识图谱，将子知识图谱中的商品信息作为第四特征信息，并通过此四类特征信息作为构建商品对象的知识图谱的多个特征信息。

本申请的技术方案，通过服务端将商品对象的同义词以及商品对象的上位词作为构建第一知识图谱的特征信息，丰富了第一知识图谱的信息量，进而使得预设神经网络模型可学习到更多有关于商品对象的特征信息，提升了推荐效果。

进一步地，服务端在对商品对象的上位词进行查询时，可对商品对象进行两个级别的上位词查询，即首先确定商品对象的上位词，得到一级上位词，随后，确定一级上位词的上位词，得到二级上位词，并将一级上位词以及二级上位词作为商品对象的第三特征信息。

在上述任一技术方案中，根据商品对象以及多个特征信息生成第一知识图谱，具体包括：确定商品对象与多个特征信息的多个对应关系；根据多个对应关系在多个特征信息与商品对象之间建立多个链接，以形成第一知识图谱。

在该技术方案中，服务端对第一知识图谱的生成过程进行了进一步限定，具体地，服务端首先确定商品对象与多个特征信息的多个对应关系，也就是确定商品对象与每个特征信息的对应关系。

在确定多个对应关系后，服务端根据多个对应关系在多个特征信息与商品对象之间建立多个链接，也就是通过对应关系将商品对象与特征信息链接起来，最终形成第一知识图谱。

服务端通过对应关系将商品对象与特征信息之间建立链接，可更直观的通过生成的第一知识图谱确定商品对象与特征信息之间的对应关系，进而提升对预设神经网络模型的训练效果。

在上述任一技术方案中，根据预设神经网络模型对第一知识图谱进行向量化处理，具体包括；根据预设神经网络模型确定多个第一预设向量，并将多个第一预设向量添加至商品对象以及多个特征信息。

在该技术方案中，当确定第一知识图谱后，服务端需要对第一知识图谱中的商品对象以及对应的特征信息进行向量化处理，具体地，服务端确定多个预设向量，多个预设向量可以是多个随机向量，每个随机向量的向量值不相同，随后，服务端将每个预设向量添加至商品对象以及对应的特征信息中，使得商品对象以及每一个特征信息均对应一个预设向量，这样，服务端就可以将商品对象与每个特征信息之间的对应关系通过它们对应的向量关系表示。更方便对预设神经网络模型训练，进而提升了预设神经网络模型的训练效果。

在上述任一技术方案中，根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，具体包括：

将第一知识图谱中的商品对象作为源节点，并将多个特征信息作为源节点对应的多个相邻节点；

获取多个对应关系，并根据多个对应关系确定源节点向量与多个相邻节点向量之间的多个权重；

将多个权重添加至对应的多个相邻节点向量，并根据源节点向量以及配置权重的多个相邻节点向量对预设神经网络模型进行训练。

在该技术方案中，对于预设神经网络模型的训练过程进行了进一步限定。具体地，当服务端对第一知识图谱进行向量化处理后，首先，服务端确定源节点以及相邻节点，源节点就是知识图谱中的商品对象，因为商品对象是知识图谱中所有特征信息的主体，也是知识图谱中所有节点的源头，随后，服务端将所有特征信息均作为相邻节点，即与源节点相邻的节点。

在确定源节点和相邻节点后，服务端通过之前确定的商品对象与特征信息的对应关系确定源节点向量与相邻节点向量之间的权重，进而使得可以通过权重来表示源节点向量和相邻节点向量之间的相关性，也就是用户对于商品的不同特征的偏好程度，更加准确的反映了用户自身的喜好，提升了用户体验。

在确定了每个相邻节点与源节点之间的权重后，服务端将权重添加到对应的相邻节点向量上，并根据添加权重的相邻节点向量以及源节点向量对预设神经网络模型进行训练，进而使得预设神经网络模型可以学习相邻节点向量与源节点向量之间的相关性，提升了预设神经网络模型的训练效果，进而提升了推荐效果，使得推荐效果更加满足用户需求。

在上述任一技术方案中，根据源节点向量以及配置权重的多个相邻节点向量对预设神经网络模型进行训练，具体包括：根据多个权重对对应的多个相邻节点向量进行转换处理，得到多个第一转换向量；将多个第一转换向量以及源节点向量进行加和处理，得到目标节点向量集；根据目标节点向量集对应的商品信息对预设神经网络模型进行训练。

在该技术方案中，当将权重添加到对应的多个相邻节点向量后，服务端要对多个相邻节点向量进行传递处理以及聚集处理。具体地，传递处理就是将每个不同方向的相邻节点向量转换成与源节点方向相同的向量；聚集处理就是将转换后的多个相邻节点向量与源节点向量相加，得到一个节点向量集，此节点向量集中的多个向量与多个相邻节点向量以及源节点向量相对应，用于表示商品对象以及多个特征信息。

具体地，服务端首先根据多个权重对对应的多个相邻节点向量进行转换处理，得到多个第一转换向量，通过权重对多个相邻节点向量进行转换，考虑到了相邻节点与源节点之间的相关性对相邻节点向量的转换造成的影响，更准确的反映了不同相邻节点向量与源节点向量之间的关系。

在对多个相邻节点向量进行转换处理后，服务端将多个第一转换向量以及所述源节点向量进行加和处理，具体地，服务端将每个第一转换向量相加后，再将多个第一转换向量的和与源节点向量进行加和处理，得到目标节点向量集，也就是将多个节点向量放在一个集合中表示，这样，当确定商品对象时，可快速的获取与商品对象对应的源节点向量以及源节点向量的多个相邻节点向量。

在确定了目标节点向量集后，服务端根据目标节点向量集对应的商品信息对预设神经网络模型进行训练，提升了预设神经网络模型的训练效果，提升了训练速度，进而提升了训练后的预设神经网络模型的推荐速度。

在上述任一技术方案中，在根据目标节点向量集对应的商品信息对预设神经网络模型进行训练后，基于图神经网络的推荐方法还包括：根据商品数据对预设神经网络模型进行训练，得到商品数据与预设神经网络模型中目标节点向量集之间的多个匹配度得分；根据多个匹配度得分以及商品数据对预设神经网络模型进行优化处理。

在该技术方案中，在根据目标节点向量集对应的商品信息对预设神经网络模型进行训练后，服务端还需要对预设神经网络模型进行优化处理，具体地，服务端根据商品数据对预设神经网络模型进行训练，得到商品数据与预设神经网络模型中目标节点向量集之间的多个匹配度得分。通过匹配度得分可以得知目标节点向量集对应的商品的信息与数据库中的商品信息之间的匹配度。

在得知了多个匹配度得分后，服务端通过多个匹配度得分以及商品数据对预设神经网络模型进行优化处理，具体地，由于商品数据为用户在交易平台上标注的信息数据，因此，通过商品数据可确定用户是否与商品数据中出现的商品进行过交互行为，当商品与用户出现过交互行为时，说明有更多的用户偏好此商品，服务端为商品对应的源节点分配比原匹配度得分更高的匹配度得分；而当商品与用户未出现过交互行为时，说明更少的用户偏好此商品，服务端为商品对应的源节点分配比原匹配度得分更低的匹配度得分；通过根据匹配度得分以及商品数据对预设神经网络模型进行优化处理，进一步提升了推荐的准确性。

在上述任一技术方案中，通过目标神经网络模型根据用户请求进行推荐，具体包括：根据用户请求获取请求信息；将请求信息输入目标神经网络模型，并根据请求信息确定与请求信息对应的源节点向量以及多个相邻节点向量；根据源节点向量为请求信息添加第二预设向量；计算添加第二预设向量的请求信息与多个相邻节点向量之间的多个匹配度得分；根据多个匹配度得分的分值大小确定与请求信息对应的相邻节点，并根据相邻节点对用户进行推荐。

在该技术方案中，对推荐的过程进行了进一步限定。具体地，服务端接收用户请求，并从中获取请求信息，请求信息中包括用户需要的商品的信息，并将请求信息输入到目标神经网络模型中，随后，服务端根据请求信息确定与请求信息对应的源节点向量以及多个相邻节点向量，随后，服务端根据源节点向量为请求信息添加第二预设向量，也就是根据请求信息与源节点向量之间的对应关系，为请求信息添加对应的向量，即第二预设向量。

在对请求信息添加第二预设向量后，服务端计算第二预设向量与多个相邻节点向量之间的多个匹配度得分，也就是对请求信息进行进一步的判断，通过服务端对多个匹配度得分的分值进行判断，将匹配度得分的分值最大的相邻节点作为请求信息对应的相邻节点，此相邻节点对应的商品实体即为用户偏好的商品，随后，服务端通过相邻节点对用户进行推荐。通过计算第二预设向量与多个相邻节点向量之间的多个匹配度得分以推荐用户所需的商品，提高了推荐的准确性，不仅考虑到了用户之前交易的商品信息推荐，还考虑到了用户自身对于不同商品的偏好进行推荐，满足了用户需求，提升了用户使用体验。

根据本发明的第二个方面，提出了一种基于图神经网络的推荐装置，包括：获取单元，用于根据用户数据获取商品数据；获取单元还用于：根据商品数据以及商品对象获取多个特征信息；根据第一知识图谱获取多个第一样本数据；获取用户请求；处理单元，用于根据商品数据确定商品对象；训练单元，用于根据商品数据对目标神经网络模型进行训练；处理单元还用于：根据商品对象以及多个特征信息生成第一知识图谱；将多个第一样本数据中的每个样本数据以及商品对象分别作为源节点；根据源节点确定对应的多个相邻节点，并根据源节点与对应的多个相邻节点确定目标神经网络模型；通过训练后的目标神经网络模型根据用户请求进行推荐。

本发明提供的基于图神经网络的推荐装置，包括获取单元、处理单元和训练单元。具体地，获取单元首先根据用户数据获取商品数据，用户数据可以是用户的商品交易数据，商品交易数据可包括用户自身的身份标识码、用户交易商品时商品的身份标识码以及商品名称信息。因此，获取单元可以通过获取的用户数据确定商品数据。

在获取了用户的商品数据后，处理单元需要对商品数据进行进一步的提取，具体地，商品数据是用户在交易平台上标注的信息数据，商品数据可包括商品名称、商品的品牌名称、商品的型号名称。为了能够更加准确清晰的反映商品的实体信息，因此，处理单元需要根据商品数据确定商品对象，也就是商品本身所代表的实体信息。处理单元通过商品数据确定商品对象，避免了其它的商品信息对在建立知识图谱时，两条数据之间的链接造成的影响，进而导致知识图谱的建立失败。

在确定商品对象后，获取单元根据商品数据以及商品对象获取多个特征信息，随后，处理单元根据商品名称以及多个特征信息生成第一知识图谱。

在该技术方案中，由于商品数据中，用于表示商品本身特征的商品信息并不丰富，因此，获取单元需要根据商品数据以及商品对象获取多个特征信息，也就是对表示商品特征的商品信息进行进一步的拓展，并通过处理单元根据获取得到的多个特征信息以及商品的商品名称生成第一知识图谱，也就是关于商品的知识图谱。

当确定了第一知识图谱后，处理单元通过预设的神经网络模型对第一知识图谱进行向量化处理，具体地，知识图谱中的每两条商品数据之间的数据相关性均不相同，为了能够更加清晰的反映商品数据之间的数据相关性信息，处理单元需要对知识图谱中的每条与商品相关的商品数据进行向量化处理，以使得每个商品数据都有对应的数据向量，更加方便每两条商品数据之间的比较以及相关度的计算。

在将第一知识图谱进行向量化处理后，训练单元根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型，具体地，训练单元通过向量化处理后的第一知识图谱对预设神经网络模型训练，以使得预设神经网络模型在训练中可以学习第一知识图谱中不同的商品数据之间的相关度，由于第一知识图谱好似通过用户数据得到的，因此，训练单元通过第一知识图谱对预设神经网络模型的训练，预设神经网络模型还可学习到用户对于不同类型商品的偏好程度，进而使得训练后的预设神经网络模型可以更好的对用户进行推荐。

在对预设神经网络模型训练完毕，得到目标神经网络模型后，处理单元通过目标神经网络模型根据用户请求进行推荐，以使得用户可得到符合自身商品需求的商品。

本技术方案的基于图神经网络的推荐方法，处理单元通过商品名称以及特征信息生成第一知识图谱，更加清晰的反映了商品的特征；训练单元通过生成的第一知识图谱对预设神经网络模型进行训练，以及处理单元通过训练后的目标神经网络模型对用户进行推荐，实现了通过异质图神经网络模型根据多关系的异质图谱(即知识图谱)进行用户商品推荐的技术效果，改善了推荐效果，提升了用户体验。

根据本发明的第三个方面，提出了一种基于图神经网络的推荐系统，包括存储器，存储器存储有程序；处理器，处理器执行程序时实现如上述技术方案中任一项的基于图神经网络的推荐方法。

本发明提供的基于图神经网络的推荐系统包括存储器和处理器。其中，存储器用于储存程序；处理器与存储器连接，用于执行程序，且在处理器执行程序时实现如上述技术方案中任一项的基于图神经网络的推荐方法。因此，具有如上述技术方案中任一项的基于图神经网络的推荐方法的全部有益效果。

根据本发明的第四个方面，提出了一种可读存储介质，其上存储有程序，程序被处理器执行时实现如上述技术方案中任一项的基于图神经网络的推荐方法。

本发明提供的可读存储介质，用来储存被处理器执行时实现如上述技术方案中任一项的基于图神经网络的推荐方法的程序，因此，具有如上述技术方案中任一项的基于图神经网络的推荐方法的全部有益效果。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之一；

图2示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之二；

图3示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之三；

图4示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之四；

图5示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之五；

图6示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之六；

图7示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之七；

图8示出了本发明实施例的基于图神经网络的推荐方法的流程示意图之八；

图9示出了本发明实施例的根据知识图谱推荐商品的示意图；

图10示出了本发明实施例的生成第一知识图谱的示意图；

图11示出了本发明实施例的基于图神经网络的推荐装置的结构框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不限于下面公开的具体实施例的限制。

下面参照图1至图11描述根据本发明一些实施例的基于图神经网络的推荐方法、基于图神经网络的推荐装置、基于图神经网络的推荐系统和可读存储介质。

实施例1：

本发明的一个实施例提出了一种基于图神经网络的推荐方法，图1示出了根据本申请实施例的基于图神经网络的推荐方法的流程图之一，如图1所示，基于图神经网络的推荐方法包括：

步骤102，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤104，根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；

步骤106，确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；

步骤108，根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；

步骤110，获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

在本申请实施例中，需要建立关于用户消费商品的知识图谱，具体地，服务端首先根据用户数据获取商品数据，用户数据可以是用户在进行商品交易时的交易数据，用户数据可包括用户自身的身份标识码、用户交易商品时商品的身份标识码以及商品名称信息。因此，服务端可以通过获取的用户数据确定商品数据。

示例性的，以“J41H-25DN50截止阀”这个商品数据为例，将此商品数据拆分成多个子商品数据，并对每个子数据进行了词性标注，如下所示：

[('J41H'，'eng')，('-'，'x')，('25'，'m')，(”，'x')，('DN50'，'eng')，('截止阀'，'n')]；

其中，'eng'代表英文字母和数字数据；'m'代表数字数据；'x'代表符号数据；'n'代表名词数据。通过对商品数据进行分词处理，可以看出，名词数据，也就是商品对象数据可用于表示用户本次商品交易的商品实体，因此，我们选择商品对象作为依据建立关于商品的知识图谱。

在该实施例中，特征信息是用来表示商品对象属性以及用来限定商品对象的信息，具体地，特征信息可以用来表示商品对象的品牌、规格、型号等信息，也可是用来限定商品对象所应用的领域、以及解释商品对象的作用的信息。

本实施例的基于图神经网络的推荐方法，服务端通过商品名称以及特征信息生成第一知识图谱，更加清晰的反映了商品的特征；服务端通过生成的第一知识图谱对预设神经网络模型进行训练，并通过训练后的目标神经网络模型对用户进行推荐，实现了通过异质图神经网络模型根据多关系的异质图谱(即知识图谱)进行用户商品推荐的技术效果，改善了推荐效果，提升了用户体验。

示例性地，图9示出了利用知识图谱对用户进行推荐的过程，具体地，图9中白色三角形表示用户；黑色圆形表示商品；白色圆形表示根据商品生成的知识图谱中的实体，每个实体可与多个有关联的商品形成链接；在用户与商品之间的连线中，用户与商品之间采用直线连接表示用户与商品之间存在交互行为；采用虚线连接表示用户与商品之间不存在交互行为。当需要对用户进行推荐时，首先查看商品生成的知识图谱，随后在众多商品中确定与用户发生过交互的商品，并通过与用户交互的商品所在的知识图谱确定多个知识图谱中的实体，找出与用户交互的商品关联度最高的实体，并根据此实体对用户进行推荐，具体地，在图9的示例中，由于与用户存在交互行为的两个黑色圆形表示的商品建立的知识图谱中，均有最左侧的白色圆形表示的实体，由于此实体与用户需求的商品之间的关联度在图9的5个实体中最高，因此，选择此实体为用户进行推荐，进而保证了推荐的准确性。

进一步地，采用本实施例的基于异质图神经网络模型的推荐方法，与采用传统的同质图神经网络模型的推荐方法相比，在多个衡量推荐效果的推荐指标上都得到了提升，具体地，表1为采用本实施例的基于图神经网络模型的推荐方法与采用KGAT(KnowledgeGraph Attention Network知识图谱注意力神经网络模型)模型在进行一次完整的推荐过程后，推荐指标的对比图；表2为采用本实施例的基于图神经网络模型的推荐方法与采用KGCN(Knowledge Graph Convolutional Network知识图谱卷积神经网络模型)模型在进行一次完整的推荐过程后，推荐指标的对比图。

	精确率	召回率	归一化折损累计增益
				本申请	0.61	0.53	0.63
KGAT	0.58	0.51	0.59

表1

	精确率	召回率	归一化折损累计增益
				本申请	0.61	0.53	0.63
KGCN	0.57	0.50	0.60

表2

通过表1和表2可知，本申请实施例的推荐方法，与采用KGAT模型或是采用KGCN模型的推荐方法相比，在精确率、召回率以及归一化折损累计增益均有不同程度的提升，进一步说明采用本实施例的异质图神经网络模型的推荐方法，可提升推荐效果，进而提升用户体验的技术效果。

实施例2

本发明的一个实施例提供的基于图神经网络的推荐方法，如图2所示，基于图神经网络的推荐方法包括：

步骤202，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤204，对商品数据进行分词处理，得到多个第一特征信息；

步骤206，根据商品对象确定多个第二特征信息；

步骤208，根据商品对象确定多个第三特征信息；

步骤210，获取预设的第二知识图谱，并获取商品对象在第二知识图谱中对应的子知识图谱；

步骤212，根据子知识图谱确定多个第四特征信息；

步骤214，根据商品名称以及多个特征信息生成第一知识图谱；

步骤216，确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；

步骤218，根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；

步骤220，获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

其中，第二特征信息为商品对象的同义词；第三特征信息为商品对象的上位词。

在该实施例中，对特征信息的获取进行了进一步限定，具体地，特征信息的来源分为四部分，分别是：商品数据本身关于商品对象的特征信息、商品对象的同义词信息、商品对象的上位词信息以及在预设的第二知识图谱处获取的关于商品对象的特征信息。

本申请实施例，通过服务端将商品对象的同义词以及商品对象的上位词作为构建第一知识图谱的特征信息，丰富了第一知识图谱的信息量，进而使得预设神经网络模型可学习到更多有关于商品对象的特征信息，提升了推荐效果。

示例性地，图10示出了通过商品对象生成对应的知识图谱的过程，具体地，知识图谱的生成过程中包括确定多个特征信息的过程，具体地，当服务端确定了商品对象为硒鼓时，可对商品数据进行分词处理，得到了“A”以及“大容量”以及“黑色”，从中选出更能够体现用户偏好的词，最后，确定“A(商品的品牌)”和“大容量(商品的规格)”作为第一特征信息；同时，服务端通过腾讯词向量对商品对象进行多个同义词的查询与添加，图10的实施例为商品对象添加了5个同义词作为第二特征信息；服务端还通过开源大辞林对商品对象进行多个上位词的查询与添加，具体地，首先查询硒鼓的上位词，得到了传真机硒鼓，随后，服务端对传真机硒鼓进行了上位词的查询，得到了办公耗材，并将这两个上位词作为第三特征信息；服务端还在中文开放知识图谱中查找与硒鼓对应的子知识图谱，得到了两个特征信息，并将在中文开放知识图谱中查询到的多个特征信息作为第四特征信息，特征信息获取完毕。

实施例3

本发明的一个实施例提供的基于图神经网络的推荐方法，如图3所示，基于图神经网络的推荐方法包括：

步骤302，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤304，根据商品数据以及商品对象获取多个特征信息；

步骤306，确定商品对象与多个特征信息的多个对应关系；

步骤308，根据多个对应关系在多个特征信息与商品对象之间建立多个链接，以形成第一知识图谱；

步骤310，确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；

步骤312，根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；

步骤314，获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

在该实施例中，服务端对第一知识图谱的生成过程进行了进一步限定，具体地，服务端首先确定商品对象与多个特征信息的多个对应关系，也就是确定商品对象与每个特征信息的对应关系。

示例性的，图10示出了通过商品对象生成对应的知识图谱的过程，具体地，知识图谱的生成过程中包括根据多个对应关系建立多个链接的过程，具体地，由于多个特征信息包括同义词信息和上位词信息，因此，第二特征信息与第三特征信息与商品对象之间的对应关系即为同义词关系与上位词关系；而对于第一特征信息与第四特征信息，可通过对特征信息的解析度确定其与商品对象之间的对应关系，例如，“A”为品牌名称，因此，其与商品对象之间的对应关系为品牌，大容量是用来限定商品的规格容量，因此，其与商品对象之间的对应关系为容量；同理，感光鼓为硒鼓的别名，激光打印机为硒鼓所处的应用领域。

在确定了商品对象与特征信息之间的对应关系后，服务端通过对应关系在多个特征信息与商品对象之间建立多个链接，也就是将具有对应关系的商品对象和特征信息链接起来，即形成根据硒鼓生成的知识图谱。

实施例4

本发明的一个实施例提供的基于图神经网络的推荐方法，如图4所示，基于图神经网络的推荐方法包括：

步骤402，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤404，根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；

步骤406，确定预设神经网络模型；

步骤408，根据预设神经网络模型确定多个第一预设向量，并将多个第一预设向量添加至商品对象以及多个特征信息；

步骤410，根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；

步骤412，获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

在该实施例中，当确定第一知识图谱后，服务端需要对第一知识图谱中的商品对象以及对应的特征信息进行向量化处理，具体地，服务端确定多个预设向量，多个预设向量可以是多个随机向量，每个随机向量的向量值不相同，随后，服务端将每个预设向量添加至商品对象以及对应的特征信息中，使得商品对象以及每一个特征信息均对应一个预设向量，这样，服务端就可以将商品对象与每个特征信息之间的对应关系通过它们对应的向量关系表示。更方便对预设神经网络模型训练，进而提升了预设神经网络模型的训练效果。

实施例5

本发明的一个实施例提供的基于图神经网络的推荐方法，如图5所示，基于图神经网络的推荐方法包括：

步骤502，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤504，根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；

步骤506，确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；

步骤508，将第一知识图谱中的商品对象作为源节点，并将多个特征信息作为源节点对应的多个相邻节点；

步骤510，获取多个对应关系，并根据多个对应关系确定源节点向量与多个相邻节点向量之间的多个权重；

步骤512，将多个权重添加至对应的多个相邻节点向量，并根据源节点向量以及配置权重的多个相邻节点向量对预设神经网络模型进行训练，得到目标神经网络模型；

步骤514，获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

在本申请实施例中，对于预设神经网络模型的训练过程进行了进一步限定。具体地，当服务端对第一知识图谱进行向量化处理后，首先，服务端确定源节点以及相邻节点，源节点就是知识图谱中的商品对象，因为商品对象是知识图谱中所有特征信息的主体，也是知识图谱中所有节点的源头，随后，服务端将所有特征信息均作为相邻节点，即与源节点相邻的节点。

示例性的，相邻节点与源节点之间的权重的计算公式如下所示：

其中，softmax为归一化指数函数，

为源节点的特征转换向量；

为源节点特征向量；

为源节点与相邻节点之间的关系权重系数；

为相邻节点特征向量；

为源节点和相邻节点之间关系的特征转换向量；

为源节点和相邻节点之间关系的表征向量，进一步地，i代表源节点；j代表相邻节点；r代表源节点与相邻节点之间的对应关系；l代表预设神经网络模型的层数。

由于每个源节点与相邻节点的向量在大小和方向上并不相同，无法进行权重计算，因此，需要将特征向量进行转换；式子中的

为关系向量，即用户对源节点与相邻节点之间的对应关系的偏好程度，例如，在为用户做商品推荐时，用户对某一个品牌，或是某一种规格的商品具有特殊偏好时，源节点和对应的相邻节点之间的权重也增大，也就是说，在计算源节点和相邻节点之间的权重时，并不仅仅只是源节点和相邻节点本身的相似度，还考虑了用户对于此对应关系的喜好程度，更加考虑到了用户的需求，提升了用户体验。

实施例6

本发明的一个实施例提供的基于图神经网络的推荐方法，如图6所示，基于图神经网络的推荐方法包括：

步骤602，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤604，根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；

步骤606，确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；

步骤608，将第一知识图谱中的商品对象作为源节点，并将多个特征信息作为源节点对应的多个相邻节点；

步骤610，获取多个对应关系，并根据多个对应关系确定源节点向量与多个相邻节点向量之间的多个权重；

步骤612，将多个权重添加至对应的多个相邻节点向量；

步骤614，根据多个权重对对应的多个相邻节点向量进行转换处理，得到多个第一转换向量；

步骤616，将多个第一转换向量以及源节点向量进行加和处理，得到目标节点向量集；

步骤618，根据目标节点向量集对应的商品信息对预设神经网络模型进行训练，得到目标神经网络模型；

步骤620，获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

在该实施例中，当将权重添加到对应的多个相邻节点向量后，服务端要对多个相邻节点向量进行传递处理以及聚集处理。具体地，传递处理就是将每个不同方向的相邻节点向量转换成与源节点方向相同的向量；聚集处理就是将转换后的多个相邻节点向量与源节点向量相加，得到一个节点向量集，此节点向量集中的多个向量与多个相邻节点向量以及源节点向量相对应，用于表示商品对象以及多个特征信息。

示例性的，目标节点向量集的计算公式如下所示：

其中，

为之前计算的相邻节点与源节点之间的权重；σ为激活函数；ω^l为相邻节点特征聚集的转换向量，N(i)表示源节点的相邻节点，也就是属于此源节点的所有相邻节点，由于每个相邻节点的向量在大小和方向上并不相同，无法直接通过加和的方式聚集，因此，需要通过ω^l将相邻节点向量和源节点向量转换，使其可以直接相加，通过权重和相邻节点特征聚集的转换向量将相邻节点向量进行转换后，与源节点向量进行加和处理，最终得到上一层的源节点向量集，也就是目标节点向量集。

实施例7

本发明的一个实施例提供的基于图神经网络的推荐方法，如图7所示，基于图神经网络的推荐方法包括：

步骤702，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤704，根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；

步骤706，确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；

步骤708，将第一知识图谱中的商品对象作为源节点，并将多个特征信息作为源节点对应的多个相邻节点；

步骤710，获取多个对应关系，并根据多个对应关系确定源节点向量与多个相邻节点向量之间的多个权重；

步骤712，将多个权重添加至对应的多个相邻节点向量；

步骤714，根据多个权重对对应的多个相邻节点向量进行转换处理，得到多个第一转换向量；

步骤717，将多个第一转换向量以及源节点向量进行加和处理，得到目标节点向量集；

步骤718，根据目标节点向量集对应的商品信息对预设神经网络模型进行训练，得到目标神经网络模型；

步骤720，根据商品数据对预设神经网络模型进行训练，得到商品数据与预设神经网络模型中目标节点向量集之间的多个匹配度得分；

步骤722，根据多个匹配度得分以及商品数据对预设神经网络模型进行优化处理；

步骤724，获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。

在该实施例中，在根据目标节点向量集对应的商品信息对预设神经网络模型进行训练后，服务端还需要对预设神经网络模型进行优化处理，具体地，服务端根据商品数据对预设神经网络模型进行训练，得到商品数据与预设神经网络模型中目标节点向量集之间的多个匹配度得分。通过匹配度得分可以得知目标节点向量集对应的商品的信息与数据库中的商品信息之间的匹配度。

示例性的，本申请的实施例中，计算匹配度得分的计算公式如下所示：

其中，y为匹配度得分；

为目标节点向量集；

为商品数据的特征向量，通过计算商品数据的特征向量与目标节点向量集中多个向量的内积，可得到多个匹配度得分。

进一步地，当服务端得到多个匹配度得分后，服务端通过匹配度得分计算损失函数，并通过损失函数对预设神经网络模型进行优化，具体地，损失函数的计算公式如下所示：

L＝∑_(u,i,j)∈O-lnσ(f(u,i)-f(u,j))；

其中，O＝{(u,i)∈R+,(u,j)∈R-},R表示训练集，也就是目标节点向量集；R+表示用户与此商品(即i代表的商品)发生过交互作用；R-表示用户与此商品(即j代表的商品)没发生过交互作用。f(u,i)、f(u,j)为商品数据与对应目标节点向量的匹配度得分；通过损失函数，赋予了发生过交互作用的商品数据与对应目标节点向量更高的匹配度得分；以及赋予了没发生过交互作用的商品数据与对应目标节点向量更低的匹配度得分，进一步提升了推荐的准确性。

实施例8

本发明的一个实施例提供的基于图神经网络的推荐方法，如图8所示，基于图神经网络的推荐方法包括：

步骤802，根据用户数据获取商品数据，并根据商品数据确定商品对象；

步骤804，根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；

步骤806，确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；

步骤808，将第一知识图谱中的商品对象作为源节点，并将多个特征信息作为源节点对应的多个相邻节点；

步骤810，获取多个对应关系，并根据多个对应关系确定源节点向量与多个相邻节点向量之间的多个权重；

步骤812，将多个权重添加至对应的多个相邻节点向量，并根据源节点向量以及配置权重的多个相邻节点向量对预设神经网络模型进行训练，得到目标神经网络模型；

步骤814，获取用户请求；

步骤816，根据用户请求获取请求信息；

步骤818，将请求信息输入目标神经网络模型，并根据请求信息确定与请求信息对应的源节点向量以及多个相邻节点向量；

步骤820，根据源节点向量为请求信息添加第二预设向量；

步骤822，计算添加第二预设向量的请求信息与多个相邻节点向量之间的多个匹配度得分；

步骤824，根据多个匹配度得分的分值大小确定与请求信息对应的相邻节点，并根据相邻节点对用户进行推荐。

在该实施例中，对推荐的过程进行了进一步限定。具体地，服务端接收用户请求，并从中获取请求信息，请求信息中包括用户需要的商品的信息，并将请求信息输入到目标神经网络模型中，随后，服务端根据请求信息确定与请求信息对应的源节点向量以及多个相邻节点向量，随后，服务端根据源节点向量为请求信息添加第二预设向量，也就是根据请求信息与源节点向量之间的对应关系，为请求信息添加对应的向量，即第二预设向量。

实施例9

本发明的另一个实施例提出了一种基于图神经网络的推荐装置1100，图11示出了根据本申请实施例的基于图神经网络的推荐装置1100的结构框图，如图11所示，基于图神经网络的推荐装置1100包括：获取单元1102，用于根据用户数据获取商品数据；获取单元1102还用于：根据商品数据以及商品对象获取多个特征信息；根据第一知识图谱获取多个第一样本数据；获取用户请求；处理单元1104，用于根据商品数据确定商品对象；训练单元1106，用于根据商品数据对目标神经网络模型进行训练；处理单元1104还用于：根据商品对象以及多个特征信息生成第一知识图谱；将多个第一样本数据中的每个样本数据以及商品对象分别作为源节点；根据源节点确定对应的多个相邻节点，并根据源节点与对应的多个相邻节点确定目标神经网络模型；通过训练后的目标神经网络模型根据用户请求进行推荐。

本申请实施例的基于图神经网络的推荐装置1100，包括获取单元1102、处理单元1104和训练单元1106。具体地，获取单元1102首先根据用户数据获取商品数据，用户数据可以是用户的商品交易数据，商品交易数据可包括用户自身的身份标识码、用户交易商品时商品的身份标识码以及商品名称信息。因此，获取单元1102可以通过获取的用户数据确定商品数据。

在获取了用户的商品数据后，处理单元1104需要对商品数据进行进一步的提取，具体地，商品数据是用户在交易平台上标注的信息数据，商品数据可包括商品名称、商品的品牌名称、商品的型号名称。为了能够更加准确清晰的反映商品的实体信息，因此，处理单元1104需要根据商品数据确定商品对象，也就是商品本身所代表的实体信息。处理单元1104通过商品数据确定商品对象，避免了其它的商品信息对在建立知识图谱时，两条数据之间的链接造成的影响，进而导致知识图谱的建立失败。

在确定商品对象后，获取单元1102根据商品数据以及商品对象获取多个特征信息，随后，处理单元1104根据商品名称以及多个特征信息生成第一知识图谱。

在该实施例中，由于商品数据中，用于表示商品本身特征的商品信息并不丰富，因此，获取单元1102需要根据商品数据以及商品对象获取多个特征信息，也就是对表示商品特征的商品信息进行进一步的拓展，并通过处理单元1104根据获取得到的多个特征信息以及商品的商品名称生成第一知识图谱，也就是关于商品的知识图谱。

当确定了第一知识图谱后，处理单元1104通过预设的神经网络模型对第一知识图谱进行向量化处理，具体地，知识图谱中的每两条商品数据之间的数据相关性均不相同，为了能够更加清晰的反映商品数据之间的数据相关性信息，处理单元1104需要对知识图谱中的每条与商品相关的商品数据进行向量化处理，以使得每个商品数据都有对应的数据向量，更加方便每两条商品数据之间的比较以及相关度的计算。

在将第一知识图谱进行向量化处理后，训练单元1106根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型，具体地，训练单元1106通过向量化处理后的第一知识图谱对预设神经网络模型训练，以使得预设神经网络模型在训练中可以学习第一知识图谱中不同的商品数据之间的相关度，由于第一知识图谱好似通过用户数据得到的，因此，训练单元1106通过第一知识图谱对预设神经网络模型的训练，预设神经网络模型还可学习到用户对于不同类型商品的偏好程度，进而使得训练后的预设神经网络模型可以更好的对用户进行推荐。

在对预设神经网络模型训练完毕，得到目标神经网络模型后，处理单元1104通过目标神经网络模型根据用户请求进行推荐，以使得用户可得到符合自身商品需求的商品。

本实施例的基于图神经网络的推荐方法，处理单元1104通过商品名称以及特征信息生成第一知识图谱，更加清晰的反映了商品的特征；训练单元1106通过生成的第一知识图谱对预设神经网络模型进行训练，以及处理单元1104通过训练后的目标神经网络模型对用户进行推荐，实现了通过异质图神经网络模型根据多关系的异质图谱(即知识图谱)进行用户商品推荐的技术效果，改善了推荐效果，提升了用户体验。

实施例10

本发明的再一个实施例提出了一种基于图神经网络的推荐系统，基于图神经网络的推荐系统，包括存储器，存储器存储有程序；处理器，处理器执行程序时实现如上述实施例中任一项的基于图神经网络的推荐方法。

本申请实施例提供的基于图神经网络的推荐系统包括存储器和处理器。其中，存储器用于储存程序；处理器与存储器连接，用于执行程序，且在处理器执行程序时实现如上述实施例中任一项的基于图神经网络的推荐方法。因此，具有如上述技术方案中任一项的基于图神经网络的推荐方法的全部有益效果，在此不再赘述。

实施例11

本发明的又一个实施例提出了一种可读存储介质，可读存储介质其上存储有程序，程序被处理器执行时实现如上述技术方案中任一项的基于图神经网络的推荐方法。

本申请实施例提供的可读存储介质，用来储存被处理器执行时实现如上述技术方案中任一项的基于图神经网络的推荐方法的程序，因此，具有如上述技术方案中任一项的基于图神经网络的推荐方法的全部有益效果，在此不再赘述。

在本说明书的描述中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性，除非另有明确的规定和限定；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。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。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”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一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于图神经网络的推荐方法，其特征在于，包括：

根据用户数据获取商品数据，并根据所述商品数据确定商品对象；

根据所述商品数据以及所述商品对象获取多个特征信息，并根据商品名称以及所述多个特征信息生成第一知识图谱；

确定预设神经网络模型，并根据所述预设神经网络模型对所述第一知识图谱进行向量化处理；

根据向量化处理后的第一知识图谱对所述预设神经网络模型进行训练，得到目标神经网络模型；

获取用户请求，并通过所述目标神经网络模型根据所述用户请求进行推荐。

2.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，所述根据所述商品数据以及所述商品对象获取多个特征信息，具体包括：

对所述商品数据进行分词处理，得到多个第一特征信息；

根据所述商品对象确定多个第二特征信息，所述第二特征信息为所述商品对象的同义词；

根据所述商品对象确定多个第三特征信息，所述第三特征信息为所述商品对象的上位词；

获取预设的第二知识图谱，并获取所述商品对象在所述第二知识图谱中对应的子知识图谱；

根据所述子知识图谱确定多个第四特征信息。

3.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，所述根据所述商品对象以及所述多个特征信息生成第一知识图谱，具体包括：

确定所述商品对象与所述多个特征信息的多个对应关系；

根据所述多个对应关系在所述多个特征信息与所述商品对象之间建立多个链接，以形成所述第一知识图谱。

4.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，根据所述预设神经网络模型对所述第一知识图谱进行向量化处理，具体包括；

根据所述预设神经网络模型确定多个第一预设向量，并将所述多个第一预设向量添加至所述商品对象以及所述多个特征信息。

5.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，所述根据向量化处理后的第一知识图谱对所述预设神经网络模型进行训练，具体包括：

将所述第一知识图谱中的商品对象作为源节点，并将所述多个特征信息作为源节点对应的多个相邻节点；

获取多个对应关系，并根据所述多个对应关系确定源节点向量与多个相邻节点向量之间的多个权重；

将所述多个权重添加至对应的所述多个相邻节点向量，并根据所述源节点向量以及配置权重的所述多个相邻节点向量对所述预设神经网络模型进行训练。

6.根据权利要求5所述的基于图神经网络的推荐方法，其特征在于，所述根据所述源节点向量以及配置权重的所述多个相邻节点向量对所述预设神经网络模型进行训练，具体包括：

根据所述多个权重对对应的所述多个相邻节点向量进行转换处理，得到多个第一转换向量；

将多个第一转换向量以及所述源节点向量进行加和处理，得到目标节点向量集；

根据所述目标节点向量集对应的商品信息对所述预设神经网络模型进行训练。

7.根据权利要求6所述的基于图神经网络的推荐方法，其特征在于，在所述根据所述目标节点向量集对应的商品信息对所述预设神经网络模型进行训练后，所述基于图神经网络的推荐方法还包括：

根据所述商品数据对所述预设神经网络模型进行训练，得到所述商品数据与所述预设神经网络模型中目标节点向量集之间的多个匹配度得分；

根据所述多个匹配度得分以及所述商品数据对所述预设神经网络模型进行优化处理。

8.根据权利要求5至7中任一项所述的基于图神经网络的推荐方法，其特征在于，所述通过所述目标神经网络模型根据所述用户请求进行推荐，具体包括：

根据所述用户请求获取请求信息；

将所述请求信息输入所述目标神经网络模型，并根据所述请求信息确定与所述请求信息对应的源节点向量以及多个相邻节点向量；

根据所述源节点向量为所述请求信息添加第二预设向量；

计算添加第二预设向量的所述请求信息与所述多个相邻节点向量之间的多个匹配度得分；

根据所述多个匹配度得分的分值大小确定与所述请求信息对应的相邻节点，并根据所述相邻节点对用户进行推荐。

9.一种基于图神经网络的推荐装置，其特征在于，包括：

获取单元，用于根据用户数据获取商品数据；

所述获取单元还用于：

根据所述商品数据以及商品对象获取多个特征信息；

根据第一知识图谱获取多个第一样本数据；

获取用户请求；

处理单元，用于根据所述商品数据确定商品对象；

训练单元，用于根据所述商品数据对目标神经网络模型进行训练；

所述处理单元还用于：

根据所述商品对象以及所述多个特征信息生成第一知识图谱；

将所述多个第一样本数据中的每个样本数据以及所述商品对象分别作为源节点；

根据所述源节点确定对应的多个相邻节点，并根据所述源节点与对应的所述多个相邻节点确定目标神经网络模型；

通过训练后的所述目标神经网络模型根据所述用户请求进行推荐。

10.一种基于图神经网络的推荐系统，其特征在于，包括：

存储器，所述存储器存储有程序；

处理器，所述处理器执行所述程序时实现如权利要求1至8中任一项所述的基于图神经网络的推荐方法。