一种商品推荐方法及装置制造方法及图纸

本发明专利技术实施例提供一种商品推荐方法及装置，该方法包括：将目标用户输入到训练后的推荐系统中，获取候选商品集合；根据目标用户表征向量和目标商品表征向量，基于最近邻搜索算法，对所述候选商品集合中的每一候选商品进行重新排序，将排序靠前的若干候选商品作为最佳推荐商品；将所有最佳推荐商品推荐给用户。本发明专利技术实施例提供一种商品推荐方法及装置，基于图神经网络构建的推荐系统，根据目标用户和每个商品之间的相似度，生成目标用户表征向量和目标商品表征向量，提高了候选商品的多样性，从而提高了最佳推荐商品的多样性，并且通过商品召回阶段，将概率最大的商品推荐给用户，提高了推荐的准确率。

A commodity recommendation method and device

【技术实现步骤摘要】
一种商品推荐方法及装置
本专利技术涉及计算机
，尤其涉及一种商品推荐方法及装置。
技术介绍
推荐系统是解决信息过载问题的一种有效算法。通过对于用户交互历史数据和多种特征的相关性建模，推荐系统能够从海量候选商品中筛选出符合用户兴趣的商品。随着推荐系统在电子商务、在线新闻和多媒体娱乐等多种互联网应用产品上的广泛部署，推荐系统的用户体验度量也从单一的精准性指标扩展为了包含精准性、多样性、新颖性以及公平性等多个维度的综合评测指标。其中，多样性直接影响用户对于推荐结果的感知，推荐结果多样性不足使得推荐列表中的商品出现信息冗余，降低了推荐系统的效能。因此，亟需一种能增强推荐系统多样性的方法。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种商品推荐方法及装置。第一方面，本专利技术实施例提供一种商品推荐方法，包括：将目标用户输入到训练后的推荐系统中，获取候选商品集合，所述候选商品集合中包括若干候选商品，训练后的推荐系统包括图神经网络，所述图神经网络用于根据所述目标用户生成目标用户表征向量和目标商品表征向量，训练后的推荐系统由训练样本和预设标签进行训练得到；根据目标用户表征向量和目标商品表征向量，基于最近邻搜索算法，对所述候选商品集合中的每一候选商品进行重新排序，将排序靠前的若干候选商品作为最佳推荐商品；将所有最佳推荐商品推荐给用户。优选地，训练后的推荐系统通过如下方式获得：对于训练集中的任一训练样本，所述训练样本为二部图结构，所述二部图包括用户节点和商品节点；根据不同类别的商品的交互次数，对所述用户节点的邻居商品节点进行采样，采样的概率与商品的交互次数成反比；利用采样后的训练数据对推荐系统进行对抗训练，获取训练后的推荐系统。优选地，所述任一训练样本为正训练样本或负训练样本，所述正训练样本包括任一用户和所述任一用户与已购买商品的交互记录，所述负训练样本包括所述任一用户和所述任一用户与未购买商品的交互记录。优选地，所述利用采样后的训练数据对推荐系统进行对抗训练，获取训练后的推荐系统，具体包括：利用采样后的训练数据，以推荐商品和商品类别两个任务为训练目标，对推荐系统进行对抗训练，获取训练后的推荐系统。优选地，所述利用采样后的训练数据，以推荐商品和商品类别两个任务为训练目标，对推荐系统进行对抗训练，具体包括：将采样后的训练数据输入所述图神经网络中，获取训练商品表征向量；将所述训练商品表征向量输入所述推荐系统的预测模型中，获取候选商品，对于所述预测模型，所述训练样本的预设标签为候选商品，所述预测模型的优化目标为所述候选商品类别的交叉熵最大；将所述训练商品表征向量依次输入所述推荐系统的梯度反向层和所述推荐系统的分类器，获取候选商品的类别，对于所述分类器，所述训练样本的预设标签为候选商品的类别，所述分类器的优化目标为所述候选商品类别的交叉熵最小。优选地，所述根据目标用户表征向量和目标商品表征向量，基于最近邻搜索算法，对所述候选商品集合中的每一候选商品进行重新排序，将排序靠前的若干候选商品作为最佳推荐商品，具体包括：根据每一目标商品表征向量，获取商品向量库；根据所述目标用户表征向量为基准，利用最近邻搜索算法，从所述商品向量库中获取与所述目标用户表征向量内积最大的若干个最佳商品向量；根据若干最佳商品向量，获取若干最佳推荐商品。优选地，所述任一用户与已购买商品的交互记录包括所述任一用户与已购买商品之间的购买、点击、浏览、收藏、转发中的一种或多种。第二方面，本专利技术实施例提供一种商品推荐装置，包括：预测模块，用于将目标用户输入到训练后的推荐系统中，获取候选商品集合，所述候选商品集合中包括若干候选商品，训练后的推荐系统包括图神经网络，所述图神经网络用于根据所述目标用户生成目标用户表征向量和目标商品表征向量，训练后的推荐系统由训练样本和预设标签进行训练得到；召回模块，用于根据目标用户表征向量和目标商品表征向量，基于最近邻搜索算法，对所述候选商品集合中的每一候选商品进行重新排序，将排序靠前的若干候选商品作为最佳推荐商品；推荐模块，用于将所有最佳推荐商品推荐给用户。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本专利技术第一方面提供的一种商品推荐方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本专利技术第一方面提供的一种商品推荐方法的步骤。本专利技术实施例提供一种商品推荐装置，基于图神经网络构建的推荐系统，根据目标用户和每个商品之间的相似度，生成目标用户表征向量和目标商品表征向量，提高了候选商品的多样性，并利用最近邻搜索算法对候选商品集中的候选商品进行过滤，得到最佳推荐商品，将最佳推荐商品展示给用户。通过提高候选商品的多样性，从而提高了最佳推荐商品的多样性，并且通过商品召回阶段，将概率最大的商品推荐给用户，提高了推荐的准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的商品推荐方法流程图；图2为本专利技术实施例中对训练数据进行采样的示意图；图3为本专利技术实施例的图神经网络中目标商品表示向量更新的示意图；图4为本专利技术实施例中对推荐系统进行对抗训练示意图；图5为本专利技术实施例提供的一种商品推荐装置的结构示意图；图6为本专利技术实施例提供的一种电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的商品推荐方法流程图，如图1所示，该方法包括：S1，将目标用户输入到训练后的推荐系统中，获取候选商品集合，所述候选商品集合中包括若干候选商品，训练后的推荐系统包括图神经网络，所述图神经网络用于根据所述目标用户和每一商品之间的相似度，生成目标用户表征向量和目标商品表征向量，训练后的推荐系统由训练样本和预设标签进行训练得到；S2，根据目标用户表征向量和目标商品表征向量，基于最近邻搜索算法，对所述候选商品集合中的每一候选商品进行重新排序，将排序靠前的若干候选商品作为最佳推荐商品；S3，将所有最佳推荐商品推荐给用户。首先将目标用户输入到训练后的推荐系统中，训本文档来自技高网...

【技术保护点】
1.一种商品推荐方法，其特征在于，包括：/n将目标用户输入到训练后的推荐系统中，获取候选商品集合，所述候选商品集合中包括若干候选商品，训练后的推荐系统包括图神经网络，所述图神经网络用于根据所述目标用户生成目标用户表征向量和目标商品表征向量，训练后的推荐系统由训练样本和预设标签进行训练得到；/n根据目标用户表征向量和目标商品表征向量，基于最近邻搜索算法，对所述候选商品集合中的每一候选商品进行重新排序，将排序靠前的若干候选商品作为最佳推荐商品；/n将所有最佳推荐商品推荐给用户。/n

【技术特征摘要】
1.一种商品推荐方法，其特征在于，包括：
将目标用户输入到训练后的推荐系统中，获取候选商品集合，所述候选商品集合中包括若干候选商品，训练后的推荐系统包括图神经网络，所述图神经网络用于根据所述目标用户生成目标用户表征向量和目标商品表征向量，训练后的推荐系统由训练样本和预设标签进行训练得到；
根据目标用户表征向量和目标商品表征向量，基于最近邻搜索算法，对所述候选商品集合中的每一候选商品进行重新排序，将排序靠前的若干候选商品作为最佳推荐商品；
将所有最佳推荐商品推荐给用户。


2.根据权利要求1所述的商品推荐方法，其特征在于，训练后的推荐系统通过如下方式获得：
对于训练集中的任一训练样本，所述训练样本为二部图结构，所述二部图包括用户节点和商品节点；
根据不同类别的商品的交互次数，对所述用户节点的邻居商品节点进行采样，采样的概率与商品的交互次数成反比；
利用采样后的训练数据对推荐系统进行对抗训练，获取训练后的推荐系统。


3.根据权利要求2所述的商品推荐方法，其特征在于，所述任一训练样本为正训练样本或负训练样本，所述正训练样本包括任一用户和所述任一用户与已购买商品的交互记录，所述负训练样本包括所述任一用户和所述任一用户与未购买商品的交互记录。


4.根据权利要求2所述的商品推荐方法，其特征在于，所述利用采样后的训练数据对推荐系统进行对抗训练，获取训练后的推荐系统，具体包括：
利用采样后的训练数据，以推荐商品和商品类别两个任务为训练目标，对推荐系统进行对抗训练，获取训练后的推荐系统。


5.根据权利要求4所述的商品推荐方法，其特征在于，所述利用采样后的训练数据，以推荐商品和商品类别两个任务为训练目标，对推荐系统进行对抗训练，具体包括：
将采样后的训练数据输入所述图神经网络中，获取训练商品表征向量；
将所述训练商品表征向量输入所述推荐系统的预测模型中，获取候选商品，对于所述预测模型，所述训练样本的预设标签为候选商品，所述预测模型的优化目标为所述候选商品类别...

【专利技术属性】
技术研发人员：李勇，郑瑜，卢中县，金德鹏，周亮，张良伦，
申请(专利权)人：清华大学，杭州微拓科技有限公司，
类型：发明
国别省市：北京;11