基于物品关联关系的序列化推荐方法技术

本发明专利技术提供一种基于物品关联关系的序列化推荐方法，从网络端获取用户与物品之间的交互数据；令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；令物品的关联性特征输入推荐模型进行训练；令推荐模型输出序列化推荐。能够对用户行为中隐含的物品关联性关系的挖掘，与序列化推荐模型联合训练，为用户的序列化推荐提供服务；利用用户与物品交互数据挖掘物品间的关联关系，并对关联关系进行了向量化的表示，直观而客观的展现每个物品的关联性特征，采用欧式距离对关联物品分析；以端到端的方式和序列化推荐模型协同训练，为用户提供最终的序列化推荐服务。

Serialization Recommendation Method Based on Item Association Relations

The invention provides a serialization recommendation method based on item association relationship, which obtains the interactive data between users and items from the network end; makes the interactive data construct the symbiotic relationship graph of items, which is expressed by the adjacency matrix of the correlation graph; makes the adjacency matrix of the correlation graph convolute operation to obtain the correlation characteristics of items; Sex feature input recommendation model is trained, and recommendation model output is serialized. It can mine the implicit relationship between objects in user's behavior, train with the serialized recommendation model, and provide services for the serialized recommendation of users; use the interaction between users and objects to mine the relationship between objects, and vectorize the relationship, visually and objectively display the relevance characteristics of each item, and use the European distance to correlate objects. Product analysis; end-to-end collaborative training with the serialized recommendation model to provide users with the final serialized recommendation service.

【技术实现步骤摘要】
基于物品关联关系的序列化推荐方法
本专利技术涉及信息推荐领域，具体地，涉及基于物品关联关系的序列化推荐方法，尤其是依据图卷积理论，关注于序列化推荐中的物品间的关联关系，端到端训练物品关联关系部分和序列化推荐方法，为用户提供最终的序列化推荐服务。
技术介绍
推荐作为一种信息过滤任务，已经被拓展到现实世界中的诸多应用中，例如商品推荐、视频推荐。目前大多数的推荐系统都是在用户偏好是静态不变的假设下建立的。然而，用户偏好是随着时间不短动态变化的。因此，目前有许多工作开始关注如何利用用户-物品交互行为的序列化信息。根据利用用户-物品交互行为的序列化信息的方式，目前的方法主要分为两大类。传统方法将序列化信息作为一种上下文特征，这种方式不能建模高阶的长期的序列化依赖。近期的序列化推荐方法则利用循环神经网络RNN建模这种序列化上的动态变化，以更好的挖掘序列中的变化模式。尽管如此，真实世界的行为序列通常是同时包含序列化动态特征和静态的物品关联模式。例如，图2中展示的一个用户购买手机的消费行为序列。用户购买了在step1购买了一个iPhone6s并在step1后购买了各种手机配件。这个转变包含序列化上的动态变化因为手机和配件的关联性。然而，手机配件购买序列(step2,step3,step4,step5)之间没有明显的序列化上的依赖关系。事实上，各个手机配件之间呈现出更强的静态物品关联性而非序列化上的动态变化。同时，这种RNN类的序列化推荐方法难以捕捉这种静态物品关联性。当前基于RNN的序列化推荐方法并未考虑到用户消费序列中物品间的相互关联性。如何捕捉用户行为序列中的物品关联性特征主要存在两个难点：如何从用户行为中充分挖掘物品间的关联关系；如何让物品的关联关系和序列化推荐方法端到端协同训练。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于物品关联关系的序列化推荐方法。根据本专利技术提供的一种基于物品关联关系的序列化推荐方法，包括以下步骤，获取交互数据步骤：从网络端获取用户与物品之间的交互数据；构建共生关系图步骤：令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；图卷积网络步骤：令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；推荐模型训练步骤：令物品的关联性特征输入推荐模型进行训练；序列化推荐步骤：令推荐模型输出序列化推荐。优选的，所述构建共生关系图步骤主要包括构建频率矩阵步骤、构建关联关系图邻接矩阵步骤；构建频率矩阵步骤：统计两两物品之间在同一个用户历史记录中共同出现的频率，将所述频率以频率矩阵形式表示；构建关联关系图邻接矩阵步骤：令频率矩阵进行二值化处理，将所述二值化处理结果以关联关系图邻接矩阵表示。优选的，所述图卷积网络步骤包括，特征值定义步骤：令X∈RN×C，X为物品的特征输入值，若物品无特征输入值，则设定X＝IN，其中IN为大小为N的单位矩阵，N表示矩阵R的行数，C表示矩阵R的列数；R表示特征值矩阵。形成拉普拉斯矩阵步骤：根据图卷积理论形成共生关系图的拉普拉斯矩阵，所述拉普拉斯矩阵L如下：式中，D是对角化的度矩阵；A是关联关系图邻接矩阵；UΛUT为L的特征值分解；U为特征向量矩阵；Λ＝diag([λ0,...,λn-1])∈RN×N为对角化的特征值矩阵；UT是特征向量矩阵U的转置；λi,i＝0,1,...,n-1为特征值分解后的n个特征值。形成归一化拉普拉斯矩阵步骤：归一化的拉普拉斯矩阵则由下式定义：式中，λmax是特征值矩阵Λ中的最大值；图卷积操作定义步骤：令X∈RN×C为物品的特征输入值，图卷积操作则由下式定义：式中，表示最后的图卷积操作结果输出，是一个N×d的矩阵，所述矩阵中的值即是物品的关联性特征；gθ表示参数为θ的卷积函数；*表示卷积操作符号；表示切比雪夫多项式，下标k是切比雪夫多项式中的阶次，K是切比雪夫多项式中的最高阶次；Θk∈RC×d是k阶的待学习参数；d为卷积的物品隐空间维度。优选地，所述推荐模型训练步骤包括，获取关联性特征步骤：设定序列化推荐的批物品索引，从物品的关联性特征中查找出对应于批物品索引的物品向量表达，记作按以下公式进行：式中，flookup()表示查找操作；index是批物品索引；推荐模型修正步骤：令序列化模型进行如下修正；(e)更新门输出zt：(f)重置门输出rt：(g)候选激活状态(h)第t步的输出状态ht：其中W＝{Wz,Wr,Wc}∈R3×d×d和U＝{Uz,Ur,Uc}∈R3×d×d均为GRU单元里面的网络参数；σ为sigmoid非线性激活函数；d为卷积的物品隐空间维度；表示第t步的批训练图卷积表达输出；符号⊙表示矩阵元素对应乘积；推荐模型输出步骤：推荐模型输出用户物品偏好，采用以下公式；式中，u表示用户，p表示正物品，q表示负物品，表示用户u对正物品p的偏好较于负物品q的偏好，表示用户u在t步的用户表达，表示在t+1步正物品的关联性表达，表示在t+1步负物品的关联性表达；输出修正步骤：按以下公式进行修正：式中，表示用户u对物品p的偏好大于对物品q的偏好的概率，Ω为推荐模型参数，是推荐模型的正则项，λΩ≥0为正则项系数。优选地，所述二值化处理是设定阈值，若频率矩阵的值大于等于阈值，则所述二值化处理结果设置为1；若频率矩阵的值小于阈值，则所述二值化处理结果设置为0。优选地，所述图卷积操作定义步骤中，切比雪夫多项式是稀疏矩阵,通过深度学习框架获得，通过如下式定义的方式循环迭代得到：式中，k取大于2的整数。与现有技术相比，本专利技术具有如下的有益效果：1、本专利技术能够对用户行为中隐含的物品关联性关系的挖掘，与序列化推荐模型联合训练，为用户的序列化推荐提供服务；2、本专利技术利用用户与物品交互数据挖掘物品间的关联关系，并对关联关系进行了向量化的表示，直观而客观的展现每个物品的关联性特征，采用欧式距离对关联物品进行分析；3、本专利技术以端到端的方式和序列化推荐模型协同训练，为用户提供最终的序列化推荐服务。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术框架流程图；图2为用户消费序列图；图3为基于物品关联性的序列化推荐方法模型结构图；图4为基于物品关联性的序列化推荐方法物品特征分析图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。本专利技术首先根据用户行为序列统计物品对共同出现在一个用户历史中的频率次数，然后取阈值k将其二值化成邻接矩阵表示的图。然后结合图卷积理论挖掘物品间的关联关系，利用设计的图表达查找网络层以和序列化推荐方法端到端进行训练，为用户提供最终的序列化推荐服务。根据本专利技术提供的一种基于物品关联关系的序列化推荐方法，如图1所示，包括以下步骤，获取交互数据步骤：从网络端获取用户与物品之间的交互数据，爬取用户与物品含时间的交互数据；构建共生关系图步骤：令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；图卷积网络步骤：令关联关系图邻接矩阵进行图卷本文档来自技高网...

【技术保护点】
1.一种基于物品关联关系的序列化推荐方法，其特征在于，包括以下步骤：获取交互数据步骤：从网络端获取用户与物品之间的交互数据；构建共生关系图步骤：令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；图卷积网络步骤：令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；推荐模型训练步骤：令物品的关联性特征输入推荐模型进行训练；序列化推荐步骤：令推荐模型输出序列化推荐。

【技术特征摘要】
1.一种基于物品关联关系的序列化推荐方法，其特征在于，包括以下步骤：获取交互数据步骤：从网络端获取用户与物品之间的交互数据；构建共生关系图步骤：令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；图卷积网络步骤：令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；推荐模型训练步骤：令物品的关联性特征输入推荐模型进行训练；序列化推荐步骤：令推荐模型输出序列化推荐。2.根据权利要求1所述的基于物品关联关系的序列化推荐方法，其特征在于，所述构建共生关系图步骤主要包括构建频率矩阵步骤、构建关联关系图邻接矩阵步骤；构建频率矩阵步骤：统计两两物品之间在同一个用户历史记录中共同出现的频率，将所述频率以频率矩阵形式表示；构建关联关系图邻接矩阵步骤：令频率矩阵进行二值化处理，将所述二值化处理结果以关联关系图邻接矩阵表示。3.根据权利要求1所述的基于物品关联关系的序列化推荐方法，其特征在于，所述图卷积网络步骤包括：特征值定义步骤：令X∈RN×C，X为物品的特征输入值，若物品无特征输入值，则设定X＝IN，其中IN为大小为N的单位矩阵，N表示矩阵R的行数，C表示矩阵R的列数；R表示特征值矩阵。形成拉普拉斯矩阵步骤：根据图卷积理论形成共生关系图的拉普拉斯矩阵，所述拉普拉斯矩阵L如下：式中，D是对角化的度矩阵；A是关联关系图邻接矩阵；UΛUT为L的特征值分解；U为特征向量矩阵；Λ＝diag([λ0,...,λn-1])∈RN×N为对角化的特征值矩阵；UT是特征向量矩阵U的转置；λi,i＝0,1,...,n-1为特征值分解后的n个特征值。形成归一化拉普拉斯矩阵步骤：归一化的拉普拉斯矩阵则由下式定义：式中，λmax是特征值矩阵Λ中的最大值；图卷积操作定义步骤：令X∈RN×C为物品的特征输入值，图卷积操作则由下式定义：式中，Xgθ∈RN×d表示最后的图卷积操作结果输出，是一个N×d的矩阵，所述矩阵中的值即是物品的关联性特征；gθ表示参数为θ的卷积函数；*...

【专利技术属性】
技术研发人员：张娅，陈旭，崔克楠，姚江超，王延峰，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31