CN116228349A - 基于可信图卷积神经网络的商品推荐方法及系统 - Google Patents
基于可信图卷积神经网络的商品推荐方法及系统 Download PDFInfo
- Publication number
- CN116228349A CN116228349A CN202211647103.8A CN202211647103A CN116228349A CN 116228349 A CN116228349 A CN 116228349A CN 202211647103 A CN202211647103 A CN 202211647103A CN 116228349 A CN116228349 A CN 116228349A
- Authority
- CN
- China
- Prior art keywords
- commodity recommendation
- commodity
- graph
- graph convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 235000002020 sage Nutrition 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005096 rolling process 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种商品推荐方法及系统，尤其是一种基于可信图卷积神经网络的商品推荐方法及系统。按照本发明提供的技术方案，一种基于可信图卷积神经网络的商品推荐方法，所述商品推荐方法包括：构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。本发明基于用户的可信语义，更准确地实现商品推荐。
Description
技术领域
本发明涉及一种商品推荐方法及系统，尤其是一种基于可信图卷积神经网络的商品推荐方法及系统。
背景技术
随着5G技术和工业4.0的发展，当前正处在实现更高水平的人工智能时代。智能手机、智能穿戴设备、智能家居等为广大用户提供了便捷的云服务(日常用品、音乐、短视频等)，用户可以随时随地浏览和购买心仪的商品。但是，由于互联网中存在着海量的资源，对于用户来说，一方面可以有大量的选择，但另一方面也使用户陷于海量无关信息中难以看到自己想要的资源。
为了能获得需要的资源，需要各种云平台能够根据用户信息推荐一些资源，优先显示给用户使用。例如，在电子商务平台上，电商会利用用户设置的喜好和浏览记录为用户推荐相关的商品，有利于用户快速找到其心仪的商品。此外，当前较为火热的短视频平台中，平台会为用户优化推荐用户所在地、爱好、新闻热点等相关的短视频，持续吸引用户不断刷下去。
上述推荐用户资源或商品的过程中，离不开背后的推荐算法。推荐算法本质上是一个信息过滤过程，从海量信息中选择出用户需要的信息。由于当前各个平台竞争激烈，优秀的推荐算法将为用户提供更快更准的服务，也就能从竞争中脱颖而出。当前的推荐算法大致分为4类：基于协同过滤的推荐算法、基于内容的推荐算法、基于关联规则的推荐算法和基于深度学习模型的推荐算法。
基于协同过滤的推荐算法利用用户和商品之间的交互信息为用户推荐，它是目前最为广泛应用的推荐算法，但该算法对稀疏数据较为敏感。基于内容的推荐算法利用用户已选的商品来寻找与其类似的商品进行推荐，但该算法需要有效的特征提取，为噪声数据影响较大，会导致推荐结果失准。
基于关联规则的推荐算法从大量数据中挖掘有价值的数据间的相关关系，常见的有Apriori演算法和F-P算法，但传统的算法构建的是浅层模型，有效性和可扩展性非常有效，为此研究学者提出基于深度学习模型的推荐算法，该算法从海量数据中通过多层网络提取数据特征表示，能够有效处理稀疏数据和冷启动问题。上述算法主要利用数据之间的相似性和关联关系，对于用户行为并未深入分析行为的可信语义，无法保障推断出用户最为可能的购买意愿，更为准确推荐给用户所需商品。
由上述说明可知，由于当前信息技术的高速发展和海量数据的多维异构，其中存在着大量的噪声数据和数据稀疏问题，使得商品推荐的效果较差。
发明内容
本发明的目的是克服现有技术中存在的不足，提供一种基于可信图卷积神经网络的商品推荐方法及系统，其基于用户的可信语义，更准确地实现商品推荐。
按照本发明提供的技术方案，一种基于可信图卷积神经网络的商品推荐方法，所述商品推荐方法包括：
构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；
在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。
在商品推荐模型内，对任一图卷积层，所述图卷积方式包括：基于采样和聚合的GraphSAEG模型并结合注意力机制Attention；
在图卷积时，利用DeepWalk算法确定图中各个顶点的重要性Score，选取m个顶点作为信息链InfoP或信息域InfoD上的顶点，计算所选取顶点的可信度TD，且为每一个顶点加上一个权重。
对选取顶点的可信度TD，则有：
其中，Degree(v)是顶点v的度数，Score(v)为通过DeepWalk算法计算出的顶点v的重要性得分，Neighors(u)是顶点u的邻居顶点集合，N_Info(u)为所有邻居顶点所在的信息链或信息域的总个数记为，N_Info(u)#v为用户u的任意一个邻居顶点v所处的信息链或信息域的个数记。
对计算选取顶点的可信度TD后，使用加权平均聚合方式得到聚合特征
其中，
加权平均聚合为：
对聚合特征
通过激活函数进行非线性变换，以得到当前图卷积层的输出
激活函数ReLU为ReLU＝max(0,x)。
对构建的知识图谱KG为KG＝(U,R,X)，其中，
U为用户和商品集合，R为知识图谱中顶点的关系集合，X为特征集合，特征集合X包括用户年龄、性别、爱好、职业和/或已购商品。
在构建商品推荐模型时，训练阶段，采用半监督学习方法训练商品推荐模型的参数，且采用梯度下降方法更新模型参数。
一种基于可信图卷积神经网络的商品推荐系统，包括商品推荐处理器，其中，
在商品推荐时，商品推荐处理器利用上述的商品推荐方法进行商品推荐。
本发明的优点：在知识图谱中寻找用户的信息链和信息域，用来分析用户的行为语义，考虑用户对不同商品喜爱程度的不同，增强语义表达的区分度，提供更优质的个性化精准推荐；在GraphSAGE模型基础上，引入关注行为语义的注意力机制，即考虑了知识图谱的结构信息，又考虑了用户行为和语义可信等因素，构建了一个基于图卷积神经网络的商品推荐模型，更加有利于精准地提供可靠的特征提取操作，有效地解决浅层模型的不稳定性和难以迁移使用的问题，从而可为用户提供高效的商品推荐服务的可行方案，具有较好的扩展性，可以应对各种网络资源和商品推荐场景，为用户提供优质的商品推荐服务。
附图说明
图1为本发明利用商品推荐模型对知识图谱处理进行商品推荐的一种实施例。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
为了更准确地实现商品推荐，对基于可信图卷积神经网络的商品推荐方法，本发明的一种实施例中，所述商品推荐方法包括：
构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；
在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。
具体地，商品推荐模型基于图卷积神经网络构建得到，图1中示出了基于图卷积神经网络的构建商品推荐模型的情况，图1中，Input即为知识图谱，商品推荐模型包括两层图卷积层(GC1Layer、GC2Layer)、一全连接层(FC Layer)以及归一化输出端(Output)。
利用图卷积层进行图卷积处理，具体地，图卷积过程通过DeepWalk方法确定用户的信息链InfoP或信息域InfoD，以进行可信卷积提取特征信息；对两层图卷积层，每层都使用激活函数ReLU进行非线性转换，再经过一个全连接层后使用Softmax归一化得到商品推荐的特征表示。
具体实施时，对构建的知识图谱KG为KG＝(U,R,X)，其中，U为用户和商品集合，R为知识图谱中顶点的关系集合，X为特征集合，特征集合X包括用户年龄、性别、爱好、职业和/或已购商品。
具体地，知识图谱中顶点的关系集合R，具体为：用户与用户、用户与商品之间的关系，如“购买”、“喜欢”等关系，本质上就是知识图谱中连接边的集合。知识图谱可采用现有常用的技术手段构建得到，具体构建知识图谱的方式以及过程可根据需要选择，以能满足利用知识图谱实现商品推荐为准。
进一步地，在商品推荐模型内，对任一图卷积层，所述图卷积方式包括：基于采样和聚合的GraphSAEG模型并结合注意力机制Attention；
在图卷积时，利用DeepWalk算法确定图中各个顶点的重要性Score，选取m个顶点作为信息链InfoP或信息域InfoD上的顶点，计算所选取顶点的可信度TD，且为每一个顶点加上一个权重。
具体地，基于采样和聚合的GraphSAEG模型、注意力机制Attention具体为现有常用处理技术手段，GraphSAEG模型并结合注意力机制Attention进行图卷积的方式以及过程可与现有相一致，具体以能满足图卷积处理为准。
利用DeepWalk算法确定图中各个顶点的重要性Score的方法以及过程均与现有相一致，信息链Infop就是重要性得分较高顶点构成的一条路径，信息域InfoD是重要性得分较高顶点构成的一片区域。具体实施时，每个顶点的权重，可为将邻居顶点的可信度并作为其采样的概率权重。
进一步地，对选取顶点的可信度TD，则有：
其中，Degree(v)是顶点v的度数，Score(v)为通过DeepWalk算法计算出的顶点v的重要性得分，Neighors(u)是顶点u的邻居顶点集合，N_Info(u)为所有邻居顶点所在的信息链或信息域的总个数记为，N_Info(u)#v为用户u的任意一个邻居顶点v所处的信息链或信息域的个数记。
具体实施时，对于任意一个图卷积层，根据用户的邻居顶点的可信度TD进行采样，可信度越大，被采样的概率越大。
进一步地，对计算选取顶点的可信度TD后，使用加权平均聚合方式得到聚合特征
其中，
加权平均聚合为：
对聚合特征
通过激活函数进行非线性变换，以得到当前图卷积层的输出
激活函数ReLU为ReLU＝max(0,x)。
经过两层图卷积层图卷积处理后，经过全连接层处理得到顶点的特征向量
将输出进行归一化，得到该模型的输出，具体为：
其中，N是顶点的总个数。并使用常用的损失函数：交叉熵损失函数
判断预测值/>
与真实值的误差值。
进一步地，在构建商品推荐模型时，训练阶段，采用半监督学习方法训练商品推荐模型的参数，且采用梯度下降方法更新模型参数。
具体地，在模型训练时，训练的终止条件为：直到损失函数L的值小于τ(一般情况下τ＝0.3，在不同的数据集上需要根据具体的精度微调)或迭代的次数小于最大迭代数maxTimes＝200。当然，训练终止条件还可以为其他情况，具体可根据需要选择，以能满足实际的需求为准。
综上，可得到基于可信图卷积神经网络的商品推荐系统，包括商品推荐处理器，其中，
在商品推荐时，商品推荐处理器利用上述的商品推荐方法进行商品推荐。
具体实施时，商品推荐处理器一般可为计算机设备，即在计算机设备内构建商品推荐模型以及构建知识图谱，然后采用上述的方式进行商品推荐，具体可以参考上述说明，此处不再赘述。
本发明在知识图谱中寻找用户的信息链和信息域，用来分析用户的行为语义，考虑用户对不同商品喜爱程度的不同，增强语义表达的区分度，提供更优质的个性化精准推荐；在GraphSAGE模型基础上，引入关注行为语义的注意力机制，即考虑了知识图谱的结构信息，又考虑了用户行为和语义可信等因素，构建了一个基于图卷积神经网络的商品推荐模型，更加有利于精准地提供可靠的特征提取操作，有效地解决浅层模型的不稳定性和难以迁移使用的问题，从而可为用户提供高效的商品推荐服务的可行方案，具有较好的扩展性，可以应对各种网络资源和商品推荐场景，为用户提供优质的商品推荐服务。
Claims (7)
1.一种基于可信图卷积神经网络的商品推荐方法，其特征是，所述商品推荐方法包括：
构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；
在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。
2.根据权利要求1所述基于可信图卷积神经网络的商品推荐方法，其特征是：在商品推荐模型内，对任一图卷积层，所述图卷积方式包括：基于采样和聚合的GraphSAEG模型并结合注意力机制Attention；
在图卷积时，利用DeepWalk算法确定图中各个顶点的重要性Score，选取m个顶点作为信息链InfoP或信息域InfoD上的顶点，计算所选取顶点的可信度TD，且为每一个顶点加上一个权重。
3.根据权利要求2所述基于可信图卷积神经网络的商品推荐方法，其特征是，对选取顶点的可信度TD，则有：
其中，Degree(v)是顶点v的度数，Score(v)为通过DeepWalk算法计算出的顶点v的重要性得分，Neighors(u)是顶点u的邻居顶点集合，N_Info(u)为所有邻居顶点所在的信息链或信息域的总个数记为，N_Info(u)#v为用户u的任意一个邻居顶点v所处的信息链或信息域的个数记。
4.根据权利要求2所述基于可信图卷积神经网络的商品推荐方法，其特征是，对计算选取顶点的可信度TD后，使用加权平均聚合方式得到聚合特征
其中，
加权平均聚合为：
对聚合特征
通过激活函数进行非线性变换，以得到当前图卷积层的输出
激活函数ReLU为ReLU＝max(0,x)。
5.根据权利要求1至4任一项所述基于可信图卷积神经网络的商品推荐方法，其特征是，对构建的知识图谱KG为KG＝(U,R,X)，其中，
U为用户和商品集合，R为知识图谱中顶点的关系集合，X为特征集合，特征集合X包括用户年龄、性别、爱好、职业和/或已购商品。
6.根据权利要求1至4任一项所述基于可信图卷积神经网络的商品推荐方法，其特征是，在构建商品推荐模型时，训练阶段，采用半监督学习方法训练商品推荐模型的参数，且采用梯度下降方法更新模型参数。
7.一种基于可信图卷积神经网络的商品推荐系统，其特征是，包括商品推荐处理器，其中，
在商品推荐时，商品推荐处理器利用上述权利要求1～权利要求6任一项的商品推荐方法进行商品推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211647103.8A CN116228349A (zh) | 2022-12-21 | 2022-12-21 | 基于可信图卷积神经网络的商品推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211647103.8A CN116228349A (zh) | 2022-12-21 | 2022-12-21 | 基于可信图卷积神经网络的商品推荐方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116228349A true CN116228349A (zh) | 2023-06-06 |
Family
ID=86590063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211647103.8A Pending CN116228349A (zh) | 2022-12-21 | 2022-12-21 | 基于可信图卷积神经网络的商品推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228349A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788122A (zh) * | 2024-02-23 | 2024-03-29 | 山东科技大学 | 一种基于异质图神经网络商品推荐方法 |
-
2022
- 2022-12-21 CN CN202211647103.8A patent/CN116228349A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788122A (zh) * | 2024-02-23 | 2024-03-29 | 山东科技大学 | 一种基于异质图神经网络商品推荐方法 |
| CN117788122B (zh) * | 2024-02-23 | 2024-05-10 | 山东科技大学 | 一种基于异质图神经网络商品推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112214685B (zh) | 一种基于知识图谱的个性化推荐方法 | |
| WO2022041979A1 (zh) | 一种信息推荐模型的训练方法和相关装置 | |
| US20220301024A1 (en) | Sequential recommendation method based on long-term and short-term interests | |
| Isinkaye et al. | Recommendation systems: Principles, methods and evaluation | |
| CN110598130B (zh) | 一种融合异构信息网络和深度学习的电影推荐方法 | |
| US8909626B2 (en) | Determining user preference of items based on user ratings and user features | |
| US11538083B2 (en) | Cognitive fashion product recommendation system, computer program product, and method | |
| KR102227552B1 (ko) | 상황인지 알고리즘 기반 리뷰 카테고리를 이용한 음식점 노출 개인화 서비스 제공 시스템 | |
| US20130036121A1 (en) | System and method for recommending blog | |
| CN110717098A (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
| CA2655196A1 (en) | System and method for generating a display of tags | |
| CN111488524B (zh) | 一种面向注意力的语义敏感的标签推荐方法 | |
| CN111538906B (zh) | 基于隐私保护的信息推送方法及装置 | |
| US20200327600A1 (en) | Method and system for providing product recommendation to a user | |
| CN116521906B (zh) | 元描述生成方法及其装置、设备、介质 | |
| CN116228349A (zh) | 基于可信图卷积神经网络的商品推荐方法及系统 | |
| CN116595255A (zh) | 一种云服务推送的大数据分析方法及系统 | |
| Huang | E-commerce intelligent recommendation system based on deep learning | |
| Nazari et al. | Scalable and data-independent multi-agent recommender system using social networks analysis | |
| CN111897999B (zh) | 一种用于视频推荐且基于lda的深度学习模型构建方法 | |
| CN114417166B (zh) | 基于行为序列和动态社交影响的连续兴趣点推荐方法 | |
| CN116029793A (zh) | 商品推荐方法及其装置、设备、介质 | |
| CN110928920B (zh) | 一种基于改进位置社交的知识推荐方法、系统及存储介质 | |
| CN113496259A (zh) | 一种融入标签信息的图神经网络推荐方法 | |
| CN114817697A (zh) | 标签信息的确定方法、装置、电子设备以及存储介质 |
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 |