CN116756410A - 产品服务推荐方法、产品服务推荐装置、设备及存储介质 - Google Patents
产品服务推荐方法、产品服务推荐装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116756410A CN116756410A CN202310530113.1A CN202310530113A CN116756410A CN 116756410 A CN116756410 A CN 116756410A CN 202310530113 A CN202310530113 A CN 202310530113A CN 116756410 A CN116756410 A CN 116756410A
- Authority
- CN
- China
- Prior art keywords
- product
- service
- user
- similarity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 77
- 238000004590 computer program Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 52
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 230000005012 migration Effects 0.000 description 16
- 238000013508 migration Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000013256 coordination polymer Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种产品服务推荐方法、产品服务推荐装置、设备及存储介质,可以应用于大数据处理技术领域。该方法包括:从数据库中获取用户‑产品异质网络、用户‑服务异质网络和产品‑服务异质网络,用户‑产品异质网络、用户‑服务异质网络和产品‑服务异质网络根据用户数据集、产品数据集和服务数据集构建的;利用异质图神经网络根据用户‑产品异质网络、用户‑服务异质网络和产品‑服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数;根据第一相似性、第二相似性、第一推荐系数和第二推荐系数,确定是否向第i用户推荐第j产品和第k服务。
Description
技术领域
本公开涉及大数据处理领域,尤其涉及一种产品服务推荐方法、产品服务推荐装置、设备、介质和程序产品。
背景技术
随着互联网支付方式的兴起,社会上很多人(特别是年轻人)逐渐脱离了物理网点和现金,以至于银行中传统的依托物理网点开展的各项营销活动逐渐褪色,线上智能营销模式成为了现阶段拓客、活客的主要方式,诸如云原生智能营销方法、智能营销模型等。
在实现本公开的过程中,发明人发现相关技术中至少存在如下问题:现有的线上智能营销模式在为用户推荐产品或者服务时,其推荐结果的准确性较差。
发明内容
鉴于上述问题,本公开提供了一种产品服务推荐方法、产品服务推荐装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种产品服务推荐方法,包括:
响应于推荐指令,从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,所述用户-产品异质网络、用户-服务异质网络和产品-服务异质网络根据用户数据集、产品数据集和服务数据集构建的;
利用异质图神经网络根据所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数;
根据所述第一相似性、所述第二相似性、所述第一推荐系数和所述第二推荐系数,确定是否向所述第i用户推荐所述第j产品和所述第k服务。
根据本公开的实施例,所述用户-产品异质网络、用户-服务异质网络和产品-服务异质网络是通过如下方式构建的:
获取所述用户数据集、所述产品数据集和所述服务数据集,其中,所述用户数据集包括i个用户、多个用户特征和与每个所述用户特征对应的用户特征权值,所述产品数据集包括j个产品、多个产品属性和与每个所述产品属性对应的产品属性权值,所述服务数据集包括k个服务、多个服务属性和与每个所述服务属性对应的服务属性权值;
根据所述用户数据集、所述产品数据集和所述服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵;
根据用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,分别构建用户-产品异质网络、用户-服务异质网络和产品-服务异质网络。
根据本公开的实施例,所述利用异质图神经网络根据所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数,包括:
分别从所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络提取用户与产品之间的第一维度特征、用户与服务之间的第二维度特征以及产品与服务之间的至少两个第三维度特征;
基于所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,利用所述异质图神经网络处理所述第一维度特征得到第一相似性,处理所述第二维度特征得到第二相似性,处理至少两个所述第三维度特征分别得到第一推荐系数和第二推荐系数。
根据本公开的实施例,所述利用所述异质图神经网络处理所述第一维度特征得到第一相似性,处理所述第二维度特征得到第二相似性,处理至少两个所述第三维度特征分别得到第一推荐系数和第二推荐系数,包括:
针对所述第一维度特征、所述第二维度特征和所述第三维度特征中的任一维度特征,基于聚合函数,利用多个卷积层处理所述维度特征和与所述维度特征对应的异质网络,输出对应于每个所述卷积层的中间特征;
基于非饱和激活函数,根据目标卷积层输出的中间特征和与所述目标卷积层关联的卷积层输出的中间特征,确定目标特征,其中,所述目标特征包括第一相似性、第二相似性、第一推荐系数或第二推荐系数。
根据本公开的实施例,所述目标卷积层是通过如下方式确定的:
在第l卷积层输出的中间特征和第l+1卷积层输出的中间特征之间的差值满足预设阈值的情况下,将第l卷积层确定为所述目标卷积层;
或者
根据多个所述中间特征生成特征曲线图;
将所述特征曲线图中最大值对应的卷积层确定为所述目标卷积层。
根据本公开的实施例,所述根据所述用户数据集、所述产品数据集和所述服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,包括:
根据每个用户与多个所述用户特征之间的关系以及多个所述用户特征权值构建用户相似性网络,根据每个产品与多个所述产品属性之间的关系和多个所述产品属性权值构建产品相似性网络,根据每个服务与多个所述服务属性之间的关系和多个所述服务属性权值构建服务相似性网络;
根据所述用户相似性网络、所述产品相似性网络和所述服务相似性网络,分别构建所述用户相似性矩阵、所述产品相似性矩阵和所述服务相似性矩阵。
根据本公开的实施例,所述根据所述第一相似性、所述第二相似性、所述第一推荐系数和所述第二推荐系数,确定是否向所述第i用户推荐所述第j产品和所述第k服务,包括:
根据所述第一相似性和所述第一推荐系数,生成所述第j产品的第一推荐得分;
根据所述第二相似性和所述第二推荐系数,生成所述第k服务的第二推荐得分;
根据所述第一推荐得分和所述第二推荐得分,生成推荐总得分;
在所述推荐总得分满足推荐得分阈值的情况下,向所述第i用户同时推荐所述第j产品和所述第k服务。
根据本公开的实施例,产品服务推荐方法还包括:
在所述推荐总得分不满足推荐得分阈值且所述第一推荐得分满足第一推荐阈值的情况下,向所述第i用户推荐所述第j产品;
在所述推荐总得分不满足推荐得分阈值且所述第二推荐得分满足第二推荐阈值的情况下,向所述第i用户推荐所述第k服务。
本公开的第二方面提供了一种产品服务推荐装置,包括:
获取模块,用于响应于推荐指令,从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,所述用户-产品异质网络、用户-服务异质网络和产品-服务异质网络根据用户数据集、产品数据集和服务数据集构建的;
确定模块,用于利用异质图神经网络根据所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数;以及
推荐模块,用于根据所述第一相似性、所述第二相似性、所述第一推荐系数和所述第二推荐系数,确定是否向所述第i用户推荐所述第j产品和所述第k服务。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
根据本公开的实施例,在响应于推荐指令从数据库中获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络后,利用异质图神经网络对用户-产品异质网络、用户-服务异质网络和产品-服务异质网络进行处理的得到高阶的第一相似性、第二相似性、第一推荐系数和第二推荐系数,从而基于高阶的第一相似性、第二相似性、第一推荐系数和第二推荐系数确定推荐结果,由于异质图神经网络在处理时综合利用了表层关联关系,且挖掘了用户、产品、服务之间的深层次的、隐含的关系,进一步加深了数据的可靠性,为精准推荐提供了坚实的数据依据,从而得到较为准确的推荐结果,有效避免了相关技术中向用户推荐产品或者服务时的推荐准确性较差的问题。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的产品服务推荐方法的应用场景图;
图2示意性示出了根据本公开实施例的产品服务推荐方法的流程图;
图3示意性示出了根据本公开实施例的产品服务推荐方法的流程图;
图4示意性示出了根据本公开实施例的用户相似性网络的生成示意图;
图5示意性示出了根据本公开实施例的产品相似性网络的生成示意图;
图6示意性示出了根据本公开实施例的服务相似性网络的生成示意图;
图7示意性示出了根据本公开实施例的用户线性迁移矩阵和产品线性迁移矩阵之间的关系示意图;
图8示意性示出了根据本公开实施例的用户线性迁移矩阵和服务线性迁移矩阵之间的关系示意图;
图9示意性示出了根据本公开实施例的产品线性迁移矩阵和服务线性迁移矩阵之间的关系示意图;
图10示意性示出了根据本公开实施例的产品服务推荐装置的结构框图;以及
图11示意性示出了根据本公开实施例的适于实现产品服务推荐方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
相关技术中,常见的智能营销模式有云原生智能营销方法、Uplift Model智能营销模型。云原生智能营销方法能够打通多渠道的数据资源、沉淀数据资产,建立围绕营销人员的生态系统,从而实现一站式的实时智能营销。但是面向云原生应用的基础架构十分复杂,对技术的要求很高,运营的成本高和工作量大。Uplift Model智能营销模型将用户划分为A(无营销动作-对照组)、B(有营销动作-实验组)两组进行实验,通过观察相似用户在不同营销动作下的增益,来判断用户对营销动作的反应。但是Uplift Model智能营销模型需要基于以往AB实验的数据积累,且其预测的精度与实验组用户样本分布、建模算法有很大关系。
然而基于上述两种模式开展营销活动时,实验数据严重依赖用户经理和用户经理人工整理、分析、标记数据,缺少“智慧化、一键式”的营销模型,同时整体营销的流程时效长,无论是主动营销产品还是响应用户需求,都需要跨越不同的系统,业务流转期长容易错失营销机会,而且“用户-产品”/“用户-服务”之间的关联关系往往需要深度挖掘,基于表层关系的营销容易出现误判,错误的营销不仅使得营销精准度不高,还会还引起用户的厌烦、逆反情绪。
针对上述问题,发明人发现异质图网络能够更好地契合现实场景,通过更加深入地学习异质网络的复杂局部结构和其中的隐含关联,从而实现对用户的进准营销,同时工作人员仅需一次性对数据集中的用户、产品和服务进行处理,无需后期频繁进行数据的整理,从而降低了运营的成本。
有鉴于此,本公开的实施例提供了一种产品服务推荐方法、产品服务推荐装置、设备及存储介质,该方法包括响应于推荐指令,从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,用户-产品异质网络、用户-服务异质网络和产品-服务异质网络根据用户数据集、产品数据集和服务数据集构建的;利用异质图神经网络根据用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数;根据第一相似性、第二相似性、第一推荐系数和第二推荐系数,确定是否向第i用户推荐第j产品和第k服务。
图1示意性示出了根据本公开实施例的产品服务推荐方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括银行理财产品和服务的推荐。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯用户端应用,例如理财类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱用户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的产品服务推荐方法一般可以由服务器105执行。相应地,本公开实施例所提供的产品服务推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品服务推荐方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的产品服务推荐装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图9对公开实施例的产品服务推荐方法进行详细描述。
图2示意性示出了根据本公开实施例的产品服务推荐方法的流程图。
如图2所示,该实施例的产品服务推荐方法包括操作S210~操作S230。
在操作S210,响应于推荐指令,从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,用户-产品异质网络、用户-服务异质网络和产品-服务异质网络根据用户数据集、产品数据集和服务数据集构建的。
在操作S220,利用异质图神经网络根据用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数。
在操作S230,根据第一相似性、第二相似性、第一推荐系数和第二推荐系数,确定是否向第i用户推荐第j产品和第k服务。
根据本公开的实施例,推荐指令可以根据操作者在输入设备上输入的推荐请求生成,也可以由执行产品服务推荐方法的电子设备在用户数据集、产品数据集和服务数据集中任一数据集发生变化时自行生成,也可以由电子设备在间隔一预设时间后定时生成。
根据本公开的实施例,产品可以是任意购物平台、购物软件、购物网站上的商品,也可以是金融行业的理财产品等。服务可以是任一种产品的多种服务,例如金融机构针对产品向金融活动参与者和顾客提供的共同受益、获得满足的活动等。
在一种示例性的实施例中,响应于推荐指令从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,上述多个异质网络可以存储在一个数据库中,也可以存储在不同的数据库中。
根据本公开的实施例,利用异质图神经网络根据用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数zj、第k服务的第二推荐系数zk,其中,异质图神经网络可以是图卷积神经网络,也可以是其他类型的异质图神经网络。
根据本公开的实施例,根据第一相似性、第二相似性、第一推荐系数和第二推荐系数,计算推荐总得分,根据该推荐总得分确定是否向第i用户推荐第j产品和第k服务。
根据本公开的实施例,在响应于推荐指令从数据库中获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络后,利用异质图神经网络对用户-产品异质网络、用户-服务异质网络和产品-服务异质网络进行处理的得到高阶的第一相似性、第二相似性、第一推荐系数和第二推荐系数,从而基于高阶的第一相似性、第二相似性、第一推荐系数和第二推荐系数确定推荐结果,由于异质图神经网络在处理时综合利用了表层关联关系,且挖掘了用户、产品、服务之间的深层次的、隐含的关系,进一步加深了数据的可靠性,为精准推荐提供了坚实的数据依据,从而得到较为准确的推荐结果,有效避免了相关技术中向用户推荐产品或者服务时的推荐准确性较差的问题。
根据本公开的实施例,用户-产品异质网络、用户-服务异质网络和产品-服务异质网络的构建包括如下操作:
获取用户数据集、产品数据集和服务数据集,其中,用户数据集包括i个用户、多个用户特征和与每个用户特征对应的用户特征权值,产品数据集包括j个产品、多个产品属性和与每个产品属性对应的产品属性权值,服务数据集包括k个服务、多个服务属性和与每个服务属性对应的服务属性权值;
根据用户数据集、产品数据集和服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵;
根据用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,分别构建用户-产品异质网络、用户-服务异质网络和产品-服务异质网络。
根据本公开的实施例,可以根据用户特征来为不同的用户做标记,如表1所示,如果用户C1具有用户特征F1、F2和F3,则在对应位置做标记。其中用户特征是用来区分用户的一系列特征,包括但不限于信用等级、金融资产、存款、贷款、信贷业务、用户行为、用户分类、用户级别、消费习惯等。
表1
根据本公开的实施例,可以根据产品属性来为不同的产品做标记,如表2所示,如果产品P1具有某个属性Ap2,则在对应位置做标记。其中产品属性是用于区分产品的一系列属性,包括但不限于产品分类、产品来源、购买金额、产品期限、产品用途、产品效益等。
表2
根据本公开的实施例,需要根据产品属性来为不同的产品做标记,如表3所示,如果服务S1具有属性As1和As2,则在对应位置做标记。其中服务属性是用于区分服务的一系列属性,包括但不限于服务类型、服务渠道、服务时间、服务状态、服务范围、服务级别、服务层级等。
表3
根据本公开的实施例,根据用户数据集、产品数据集和服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵。根据用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,分别构建用户-产品异质网络、用户-服务异质网络和产品-服务异质网络。
根据本公开的实施例,在已有的产品数据集的基础上,可以新添加用户,当完成用户的特征标记后,可以快速为该用户匹配其需要的产品和服务,进行精准推荐。同时在产品或者服务的属性发生改变或者新增了产品和服务时,对其进行数据标记后可以自动为已有用户推荐新的产品和服务,极大提高了向用户推荐的效果,降低了营销的成本。
根据本公开的实施例,在新推出某种产品或者服务时,用户的购买量非常小的情况下,用户-产品/服务的直接关系对很少,利用异质图去寻找关系,进一步提升了推荐结果的精度和准确性。
图3示意性示出了根据本公开实施例的产品服务推荐方法的流程图。图4示意性示出了根据本公开实施例的用户相似性网络的生成示意图。图5示意性示出了根据本公开实施例的产品相似性网络的生成示意图。图6示意性示出了根据本公开实施例的服务相似性网络的生成示意图。
根据本公开的实施例,如图3所示,根据用户数据集、产品数据集和服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,包括如下操作:
根据每个用户与多个用户特征之间的关系以及多个用户特征权值构建用户相似性网络,根据每个产品与多个产品属性之间的关系和多个产品属性权值构建产品相似性网络,根据每个服务与多个服务属性之间的关系和多个服务属性权值构建服务相似性网络;
根据用户相似性网络、产品相似性网络和服务相似性网络,分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵。
根据本公开的实施例,针对用户数据集,根据表1可以得到如图4左侧所示的用户-特征之间的对照关系图,图中用户节点和特征节点有边相连表示该用户具有这个特征;然后基于用户-特征对照关系图,可以得到如图4右侧所示的用户相似性网络,其中有边相连的两个节点表示这两个用户具有一定的相似性。
由于,用户特征有重要性的区分,例如用户的信用等级的重要性就要大于用户级别,所以可以根据实际情况给用户特征赋予不同的用户特征权值,图4中边的权值就是对应特征的重要性。
同理,针对产品数据集,根据表2可以得到如图5左侧所示的产品-属性之间的对照关系图,图中产品节点和属性节点有边相连表示该产品具有这个属性;然后基于产品-属性对照关系图,可以得到如图5右侧所示的产品相似性网络,其中有边相连的两个节点表示这两个产品具有一定的相似性。
由于,产品属性有重要性的区分,例如产品的风险等级的重要性就要大于产品来源,所以可以根据实际情况给产品属性赋予不同的产品属性权值图5中边的权值就是对应特征的重要性。
同理,针对服务数据集,根据表3可以得到如图6左侧所示的服务-属性之间的对照关系图,图中服务节点和属性节点有边相连表示该服务具有这个属性;然后基于服务-属性对照关系图,可以得到如图6右侧所示的服务相似性网络,其中有边相连的两个节点表示这两个服务具有一定的相似性。
由于,服务属性有重要性的区分,可以根据实际情况给服务属性赋予不同的分值图6中边的权值就是对应特征的重要性。
根据本公开的实施例,针对用户相似性网络、产品相似性网络和服务相似性网络中任一种相似性网络,根据相似性网络中任意两个节点和与每个节点对应的邻居节点,生成两个节点之间的相似度S(a,b),参见公式(1):
其中,a、b分别为节点,Ii(a)表示节点a的第i个邻居节点,C为阻尼系数,通常取0.6-0.8;当a=b时,S(a,b)=1。
对多个相似度进行矩阵转换,生成相似性矩阵S,参见公式(2):
S=C(WT·S·W)+(1-C)·I (2)
其中,S为SimRank的相似性矩阵,其元素Sab表示a、b元素的相似性值S(a,b)。I是单位矩阵。W是一个按列归一化的图邻接矩阵,若从节点i可以到节点j,且一共有n个节点i,那么
根据本公开的实施例,通过公式(1)和公式(2)可以分别计算出如公式(3)所示的用户相似性矩阵SC、如公式(4)所示的产品相似性矩阵SP和如公式(5)所示的服务相似性矩阵SS。
根据本公开的实施例,根据用户相似性矩阵SC、产品相似性矩阵SP和服务相似性矩阵SS分别构建如公式(6)所示的用户-产品异质网络HCP、如公式(7)所示的用户-服务异质网络HCS和产品-服务异质网络。
其中,NCP是用户-产品的关联关系矩阵,其中NCP(i,j)=1表示用户ci和产品pj之间存在关联,即用户ci正在持有产品pj,NCS是用户-服务的关联关系矩阵,其中NCS(i,k)=1表示用户ci和服务Sk之间存在关联,即用户ci正在持有服务Sk。
图7示意性示出了根据本公开实施例的用户线性迁移矩阵和产品线性迁移矩阵之间的关系示意图。图8示意性示出了根据本公开实施例的用户线性迁移矩阵和服务线性迁移矩阵之间的关系示意图。
对于用户ci而言,用户-产品异质网络HCP中的关系不仅能够把用户之间的相似性信息利用起来,还可以整合用户与其邻居(产品)之间的关联信息,进行特征交互学习,从而可以从更层次挖掘用户-产品之间的潜在的隐藏关系。
用户ci和产品pj的相似性可以用公式(8)~公式(10)表示:
其中,表示与用户ci相连的产品j的总数量,/>表示与产品pj相连的用户i的总数量。WC和WP分别是用户和产品的线性迁移矩阵(The Linear TransformationMatrices),其关系如图7所示。
根据本公开的实施例,同理,用户ci和服务sk的相似性可以用公式(11)~公式(13)表示。
/>
其中,表示与用户ci相连的产品j的总数量,/>表示与产品pj相连的用户i的总数量。WC和WS分别是用户和服务的线性迁移矩阵,其关系如图8所示。
根据本公开的实施例,同理,根据产品-服务异质网络,结合产品和服务间的关联关系,可以“推荐产品、推荐配套服务”,“推荐服务、推荐相关产品”,起到一箭双雕的效果;而且因为产品和服务分别与用户存在某种关联,在引入产品-服务关联信息后,进一步提升了模型的预测精度。从而从产品-服务异质网络中得到至少两个第三维度特征。
根据本公开的实施例,利用异质图神经网络根据用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数,包括如下操作:
分别从用户-产品异质网络、用户-服务异质网络和产品-服务异质网络提取用户与产品之间的第一维度特征、用户与服务之间的第二维度特征以及产品与服务之间的至少两个第三维度特征;
基于用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,利用异质图神经网络处理第一维度特征得到第一相似性,处理第二维度特征得到第二相似性,处理至少两个第三维度特征分别得到第一推荐系数和第二推荐系数。
根据本公开的实施例,从用户-产品异质网络、用户-服务异质网络和产品-服务异质网络分别提取用户与产品之间的第一维度特征用户与服务之间的第二维度特征/>以及产品与服务之间的至少两个第三维度特征。
根据本公开的实施例,异质图神经网络可以是图神经网络,其层数l是一个模型的最优化参数,可以根据实际情况进行调整。
根据本公开的实施例,利用异质图神经网络处理第一维度特征得到第一相似性/>处理第二维度特征/>得到第二相似性/>处理至少两个第三维度特征分别得到第一推荐系数zj和第二推荐系数zk。
根据本公开的实施例,利用异质图神经网络处理第一维度特征得到第一相似性,处理第二维度特征得到第二相似性,处理至少两个第三维度特征分别得到第一推荐系数和第二推荐系数,包括如下操作:
针对第一维度特征、第二维度特征和第三维度特征中的任一维度特征,基于聚合函数,利用多个卷积层处理维度特征和与维度特征对应的异质网络,输出对应于每个卷积层的中间特征;
基于非饱和激活函数,根据目标卷积层输出的中间特征和与目标卷积层关联的卷积层输出的中间特征,确定目标特征,其中,目标特征包括第一相似性、第二相似性、第一推荐系数或第二推荐系数。
根据本公开的实施例,在图卷积神经网络的每一个层中,某个节点可以通过整合邻居节点的特征来更新自身的特征,不仅能够进行特征交互学习,还能够提取更具有代表性的高阶特征。即,将用户-产品异质图输入到神经网络中进行学习,对于某个用户ci的一阶特征经过l层的神经网络学习后,其高阶特征/>就学习到了更具有代表性的特征,对精准预测十分有利。
根据本公开的实施例,用表示用户ci在第l层的嵌入特征,则第(l+1)层输出的中间特征可以用公式(14)表示:
其中,表示与用户ci相连的产品j的总数量。F是一个聚合函数,可以是最大池化层、平均池化层、相似性加权平均池化层中的至少一种。
然后采用一个非饱和激活函数进行一个非线性变化。考虑到非饱和激活函数可以解决梯度消失问题和加速收敛,本公开采用ReLU函数进行示例性说明,如公式(15)所示。
其中,f是非线性ReLU函数,Θm是包含m个参数的可学习矢量参数。
图9示意性示出了根据本公开实施例的产品线性迁移矩阵和服务线性迁移矩阵之间的关系示意图。
同理,将第二维度特征输入到图卷积神经网络中进行学习,可以得到高阶特征/>如公式(16)~公式(17)所示。
其中,公式中各个字母含义与公式(14)、公式(15)中的字母含义,在此不进行赘述。同时,公式(14)~公式(17)中用l和l+1均是为了解释图卷积神经网络的处理流程,其某个l层输出的或者/>可以作为本公开的第一相似性/>或者第二相似性/>根据本公开的实施例,基于上述流程,该图卷积神经网络通过如图9所示的服务的线性迁移矩阵WS和产品的线性迁移矩阵WP处理至少两个第三维度特征分别得到第一推荐系数zj和第二推荐系数zk。
根据本公开的实施例,目标卷积层是通过如下方式确定的:
在第l卷积层输出的中间特征和第l+1卷积层输出的中间特征之间的差值满足预设阈值的情况下,将第l卷积层确定为目标卷积层;
或者
根据多个中间特征生成特征曲线图;
将特征曲线图中最大值对应的卷积层确定为目标卷积层。
根据本公开的实施例,根据多个卷积层输出的多个中间特征构建的特征曲线图可能存在两种情况,一种是特征曲线图中多个中间特征构成的曲线呈log函数曲线,在此情况下若第l卷积层输出的中间特征和第l+1卷积层输出的中间特征之间的差值满足预设阈值的情况下,将第l卷积层确定为目标卷积层,另一种是特征曲线图中多个中间特征构成的曲线呈波浪形,此时选取特征曲线图中最大值对应的卷积层确定为目标卷积层。
根据本公开的实施例,根据第一相似性、第二相似性、第一推荐系数和第二推荐系数,确定是否向第i用户推荐第j产品和第k服务,包括如下操作:
根据第一相似性和第一推荐系数,生成第j产品的第一推荐得分;根据第二相似性和第二推荐系数,生成第k服务的第二推荐得分;根据第一推荐得分和第二推荐得分,生成推荐总得分;在推荐总得分满足推荐得分阈值的情况下,向第i用户同时推荐第j产品和第k服务。
根据本公开的实施例,在进行特征交互学习和提取高阶特征后,
关系。这里采用以下公式来计算它们的关联得分:
用户ci和产品pj之间的关联关系得分如公式(18)所示,用户ci和服务sk之间的关联关系得分如公式(19)所示,推荐总得分如公式(20)所示:
U=αij+βik (20)
然后,可以设置一个推荐得分阈值γ来评估相似性得分,若U大于γ,则向第i用户同时推荐第j产品pj和第k服务sk。
根据本公开的实施例,产品服务推荐方法还包括如下操作:
在推荐总得分不满足推荐得分阈值且第一推荐得分满足第一推荐阈值γ1的情况下,向第i用户推荐第j产品;在推荐总得分不满足推荐得分阈值且第二推荐得分满足第二推荐阈值γ2的情况下,向第i用户推荐第k服务。
根据本公开的实施例,如果αij>γ1则认为用户ci与产品pj之间存在强关联,即,可以向用户ci推荐第j产品pj;如果βik>γ2则认为用户ci与服务sk之间存在强关联,即,可以向用户ci推荐第k服务sk。
需要说明的是,推荐得分阈值γ、第一推荐阈值γ1和第二推荐阈值γ2的范围可以为[0,1],其具体值可以根据实际情况设置,对于经典产品、重点服务,可以将值设置的大一些,进行精准推荐,提高推荐的成功率,以向用户推荐较为精准的产品/服务;对于新推出来的产品/服务,为了打开市场面,可以将值设置小一些,推动用户了解该产品/服务。
根据本公开的实施例,本公开的产品服务推荐方法以用户为中心,结合“产品+服务”双渠道的信息,能够合理、充分利用和整合数据资源,极大程度提升推荐的时效性、精准度,高效地帮助一线推荐人员开展推荐活动。同时可以批量为大量用户营销产品和服务,极大程度上降低营销成本、提升营销人员的时间利用效率,且推荐的效率更高。
需要说明的是,上述实施例是以银行作为具体场景进行的示例性说明,并非限制本公开的产品服务推荐方法只能应用于该场景,也可以是其他的使用场景,例如股票的推荐、汽车与售后服务的销售、保险项目等。
基于上述产品服务推荐方法,本公开还提供了一种产品服务推荐装置。以下将结合图10对该装置进行详细描述。
图10示意性示出了根据本公开实施例的产品服务推荐装置的结构框图。
如图10所示,该实施例的产品服务推荐装置1000包括获取模块1001、确定模块1002和推荐模块1003。
获取模块1001,用于响应于推荐指令,从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,用户-产品异质网络、用户-服务异质网络和产品-服务异质网络根据用户数据集、产品数据集和服务数据集构建的;
确定模块1002,用于利用异质图神经网络根据用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数;以及
推荐模块1003,用于根据第一相似性、第二相似性、第一推荐系数和第二推荐系数,确定是否向第i用户推荐第j产品和第k服务。
根据本公开的实施例,在响应于推荐指令从数据库中获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络后,利用异质图神经网络对用户-产品异质网络、用户-服务异质网络和产品-服务异质网络进行处理的得到高阶的第一相似性、第二相似性、第一推荐系数和第二推荐系数,从而基于高阶的第一相似性、第二相似性、第一推荐系数和第二推荐系数确定推荐结果,由于异质图神经网络在处理时综合利用了表层关联关系,且挖掘了用户、产品、服务之间的深层次的、隐含的关系,进一步加深了数据的可靠性,为精准推荐提供了坚实的数据依据,从而得到较为准确的推荐结果,有效避免了相关技术中向用户推荐产品或者服务时的推荐准确性较差的问题。
根据本公开的实施例,用户-产品异质网络、用户-服务异质网络和产品-服务异质网络是通过获取单元、第一构建单元、第二构建单元构建的。
获取单元,用于获取用户数据集、产品数据集和服务数据集,其中,用户数据集包括i个用户、多个用户特征和与每个用户特征对应的用户特征权值,产品数据集包括j个产品、多个产品属性和与每个产品属性对应的产品属性权值,服务数据集包括k个服务、多个服务属性和与每个服务属性对应的服务属性权值。
第一构建单元,用于根据用户数据集、产品数据集和服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵。
第二构建单元,用于根据用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,分别构建用户-产品异质网络、用户-服务异质网络和产品-服务异质网络。
根据本公开的实施例,确定模块1002包括提取子模块和处理子模块。
提取子模块,用于分别从用户-产品异质网络、用户-服务异质网络和产品-服务异质网络提取用户与产品之间的第一维度特征、用户与服务之间的第二维度特征以及产品与服务之间的至少两个第三维度特征。
处理子模块,用于基于用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,利用异质图神经网络处理第一维度特征得到第一相似性,处理第二维度特征得到第二相似性,处理至少两个第三维度特征分别得到第一推荐系数和第二推荐系数。
根据本公开的实施例,处理子模块包括卷积单元和确定单元。
卷积单元,用于针对第一维度特征、第二维度特征和第三维度特征中的任一维度特征,基于聚合函数,利用多个卷积层处理维度特征和与维度特征对应的异质网络,输出对应于每个卷积层的中间特征。
确定单元,用于基于非饱和激活函数,根据目标卷积层输出的中间特征和与目标卷积层关联的卷积层输出的中间特征,确定目标特征,其中,目标特征包括第一相似性、第二相似性、第一推荐系数或第二推荐系数。
根据本公开的实施例,目标卷积层是通过第一确定子单元或者生成子单元、第二确定子单元确定的。
第一确定子单元,用于在第l卷积层输出的中间特征和第l+1卷积层输出的中间特征之间的差值满足预设阈值的情况下,将第l卷积层确定为目标卷积层。
生成子单元,用于根据多个中间特征生成特征曲线图。
第二确定子单元,用于将特征曲线图中最大值对应的卷积层确定为目标卷积层。
根据本公开的实施例,第一构建单元包括第一构建子单元和第二构建子单元。
第一构建子单元,用于根据每个用户与多个用户特征之间的关系以及多个用户特征权值构建用户相似性网络,根据每个产品与多个产品属性之间的关系和多个产品属性权值构建产品相似性网络,根据每个服务与多个服务属性之间的关系和多个服务属性权值构建服务相似性网络。
第二构建子单元,用于根据用户相似性网络、产品相似性网络和服务相似性网络,分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵。
根据本公开的实施例,推荐模块1003包括第一生成子模块、第二生成子模块、合并子模块和第一推荐子模块。
第一生成子模块,用于根据第一相似性和第一推荐系数,生成第j产品的第一推荐得分。
第二生成子模块,用于根据第二相似性和第二推荐系数,生成第k服务的第二推荐得分。
合并子模块,用于根据第一推荐得分和第二推荐得分,生成推荐总得分。
第一推荐子模块,用于在推荐总得分满足推荐得分阈值的情况下,向第i用户同时推荐第j产品和第k服务。
根据本公开的实施例,推荐模块1003还包括第二推荐子模块和第三推荐子模块。
第二推荐子模块,用于在推荐总得分不满足推荐得分阈值且第一推荐得分满足第一推荐阈值的情况下,向第i用户推荐第j产品。
第三推荐子模块,用于在推荐总得分不满足推荐得分阈值且第二推荐得分满足第二推荐阈值的情况下,向第i用户推荐第k服务。
根据本公开的实施例,获取模块1001、确定模块1002和推荐模块1003中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块1001、确定模块1002和推荐模块1003中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块1001、确定模块1002和推荐模块1003中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图11示意性示出了根据本公开实施例的适于实现产品服务推荐方法的电子设备的方框图。
如图11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至输入/输出(I/O)接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至输入/输出(I/O)接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器1101执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1109被下载和安装,和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (12)
1.一种产品服务推荐方法,包括:
响应于推荐指令,从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,所述用户-产品异质网络、用户-服务异质网络和产品-服务异质网络根据用户数据集、产品数据集和服务数据集构建的;
利用异质图神经网络根据所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数;
根据所述第一相似性、所述第二相似性、所述第一推荐系数和所述第二推荐系数,确定是否向所述第i用户推荐所述第j产品和所述第k服务。
2.根据权利要求1所述的方法,其中,所述用户-产品异质网络、用户-服务异质网络和产品-服务异质网络是通过如下方式构建的:
获取所述用户数据集、所述产品数据集和所述服务数据集,其中,所述用户数据集包括i个用户、多个用户特征和与每个所述用户特征对应的用户特征权值,所述产品数据集包括j个产品、多个产品属性和与每个所述产品属性对应的产品属性权值,所述服务数据集包括k个服务、多个服务属性和与每个所述服务属性对应的服务属性权值;
根据所述用户数据集、所述产品数据集和所述服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵;
根据用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,分别构建用户-产品异质网络、用户-服务异质网络和产品-服务异质网络。
3.根据权利要求1所述的方法,其中,所述利用异质图神经网络根据所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数,包括:
分别从所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络提取用户与产品之间的第一维度特征、用户与服务之间的第二维度特征以及产品与服务之间的至少两个第三维度特征;
基于所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,利用所述异质图神经网络处理所述第一维度特征得到第一相似性,处理所述第二维度特征得到第二相似性,处理至少两个所述第三维度特征分别得到第一推荐系数和第二推荐系数。
4.根据权利要求3所述的方法,其中,所述利用所述异质图神经网络处理所述第一维度特征得到第一相似性,处理所述第二维度特征得到第二相似性,处理至少两个所述第三维度特征分别得到第一推荐系数和第二推荐系数,包括:
针对所述第一维度特征、所述第二维度特征和所述第三维度特征中的任一维度特征,基于聚合函数,利用多个卷积层处理所述维度特征和与所述维度特征对应的异质网络,输出对应于每个所述卷积层的中间特征;
基于非饱和激活函数,根据目标卷积层输出的中间特征和与所述目标卷积层关联的卷积层输出的中间特征,确定目标特征,其中,所述目标特征包括第一相似性、第二相似性、第一推荐系数或第二推荐系数。
5.根据权利要求4所述的方法,其中,所述目标卷积层是通过如下方式确定的:
在第l卷积层输出的中间特征和第l+1卷积层输出的中间特征之间的差值满足预设阈值的情况下,将第l卷积层确定为所述目标卷积层;
或者
根据多个所述中间特征生成特征曲线图;
将所述特征曲线图中最大值对应的卷积层确定为所述目标卷积层。
6.根据权利要求2所述的方法,其中,所述根据所述用户数据集、所述产品数据集和所述服务数据集分别构建用户相似性矩阵、产品相似性矩阵和服务相似性矩阵,包括:
根据每个用户与多个所述用户特征之间的关系以及多个所述用户特征权值构建用户相似性网络,根据每个产品与多个所述产品属性之间的关系和多个所述产品属性权值构建产品相似性网络,根据每个服务与多个所述服务属性之间的关系和多个所述服务属性权值构建服务相似性网络;
根据所述用户相似性网络、所述产品相似性网络和所述服务相似性网络,分别构建所述用户相似性矩阵、所述产品相似性矩阵和所述服务相似性矩阵。
7.根据权利要求1所述的方法,其中,所述根据所述第一相似性、所述第二相似性、所述第一推荐系数和所述第二推荐系数,确定是否向所述第i用户推荐所述第j产品和所述第k服务,包括:
根据所述第一相似性和所述第一推荐系数,生成所述第j产品的第一推荐得分;
根据所述第二相似性和所述第二推荐系数,生成所述第k服务的第二推荐得分;
根据所述第一推荐得分和所述第二推荐得分,生成推荐总得分;
在所述推荐总得分满足推荐得分阈值的情况下,向所述第i用户同时推荐所述第j产品和所述第k服务。
8.根据权利要求7所述的方法,还包括:
在所述推荐总得分不满足推荐得分阈值且所述第一推荐得分满足第一推荐阈值的情况下,向所述第i用户推荐所述第j产品;
在所述推荐总得分不满足推荐得分阈值且所述第二推荐得分满足第二推荐阈值的情况下,向所述第i用户推荐所述第k服务。
9.一种产品服务推荐装置,包括:
获取模块,用于响应于推荐指令,从数据库中分别获取用户-产品异质网络、用户-服务异质网络和产品-服务异质网络,其中,所述用户-产品异质网络、用户-服务异质网络和产品-服务异质网络根据用户数据集、产品数据集和服务数据集构建的;
确定模块,用于利用异质图神经网络根据所述用户-产品异质网络、所述用户-服务异质网络和所述产品-服务异质网络,分别确定第i用户与第j产品之间的第一相似性、第i用户与第k服务之间的第二相似性以及第j产品的第一推荐系数、第k服务的第二推荐系数;以及
推荐模块,用于根据所述第一相似性、所述第二相似性、所述第一推荐系数和所述第二推荐系数,确定是否向所述第i用户推荐所述第j产品和所述第k服务。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530113.1A CN116756410A (zh) | 2023-05-11 | 2023-05-11 | 产品服务推荐方法、产品服务推荐装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310530113.1A CN116756410A (zh) | 2023-05-11 | 2023-05-11 | 产品服务推荐方法、产品服务推荐装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756410A true CN116756410A (zh) | 2023-09-15 |
Family
ID=87946763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310530113.1A Pending CN116756410A (zh) | 2023-05-11 | 2023-05-11 | 产品服务推荐方法、产品服务推荐装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756410A (zh) |
-
2023
- 2023-05-11 CN CN202310530113.1A patent/CN116756410A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schumann et al. | We need fairness and explainability in algorithmic hiring | |
AU2017255561B2 (en) | Learning from historical logs and recommending database operations on a data-asset in an ETL tool | |
US11461368B2 (en) | Recommending analytic tasks based on similarity of datasets | |
Kazak et al. | Artificial intelligence in the tourism sphere | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
WO2021248131A1 (en) | Machine learning systems for remote role evaluation and methods for using same | |
KR101914620B1 (ko) | 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버 | |
Caldarola et al. | Modern enterprises in the bubble: Why big data matters | |
Liang et al. | Collaborative filtering based on information-theoretic co-clustering | |
Siami et al. | An application of locally linear model tree algorithm with combination of feature selection in credit scoring | |
Navdeep et al. | Role of big data analytics in analyzing e-Governance projects | |
Linares-Mustaros et al. | Processing extreme values in sales forecasting | |
CN106575418A (zh) | 建议的关键词 | |
JP2019160089A (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
Zeng | A graphic and tabular variable deduction method in logistic regression | |
CN116756410A (zh) | 产品服务推荐方法、产品服务推荐装置、设备及存储介质 | |
CN113785321A (zh) | 公司规模估计系统 | |
Rahhali et al. | E-learning recommendation system for big data based on cloud computing | |
Ma | [Retracted] Algorithmic Application of Evidence Theory in Recommender Systems | |
Vannucci et al. | Big data in marketing intelligence | |
Nisar et al. | Determining context of association rules by using machine learning | |
US11790381B1 (en) | System and method for attribute selection for expert matchmaking | |
Ennaji et al. | Multi-agent framework for social CRM: Extracting and analyzing opinions | |
POPOVICI et al. | DATA MANAGEMENT AND DATA GOVERNANCE-CORRELATION WITH DATA BASES AREA AND STATISTICS |
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 |