基于社区发现和图神经网络的商品个性化推荐方法及系统技术方案

本发明专利技术公开了一种基于社区发现和图神经网络的商品个性化推荐方法及系统，该方法包括：获取用户和商品的交互信息，以用户和商品映射为节点，交互信息映射为边，构建用户交互网络；在构建的用户交互网络中进行社区发现，根据用户所属社区重新赋予用户节点的属性；将具有属性的用户节点与商品交互信息重新构建二部图，将用户节点和商品节点映射为向量表示；将用户向量表示和商品向量表示及构建的二部图输入嵌入传播层进行图表示学习，优化用户向量表示和商品向量表示；对优化后的用户向量和商品向量进行内积操作，根据内积结果，预测用户点击商品的概率；得到针对用户的个性化商品推荐序列。本发明专利技术能缓解推荐的冷启动问题，达到较好的推荐效果。达到较好的推荐效果。达到较好的推荐效果。

【技术实现步骤摘要】
基于社区发现和图神经网络的商品个性化推荐方法及系统


[0001]本专利技术涉及商品推荐
，尤其涉及一种基于社区发现和图神经网络的商品个性化推荐方法及系统。

技术介绍

[0002]近年来，随着云计算、大数据、物联网等技术的迅猛发展，互联网空间中各类应用的层出不穷引发了数据规模的爆炸式增长。大数据中蕴含着丰富的价值与巨大的潜力，将给人类社会带来变革性的发展，但同时也带来了严重的“信息过载”问题，如何快速有效地从纷繁复杂的数据中获取有价值的信息成为了当前大数据发展的关键难题。
[0003]推荐系统作为解决“信息过载”问题的有效方法，已经成为学术界和工业界的关注热点并得到了广泛应用，形成了众多相关研究成果．推荐系统根据用户需求和兴趣等，通过推荐算法从海量数据中挖掘出用户感兴趣的项目（如信息、服务、物品等），并将结果以个性化列表的形式推荐给用户。已有的相关研究表明，一个准确而高效的商品推荐方法及系统可以提高用户购物体验，并为商家带来更高的效益。
[0004]但现有推荐方法中由于用户与商品交互相比于商品总量过于稀疏，并且对于高阶交互信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，包括以下步骤：获取用户和商品的交互信息，以用户和商品映射为节点，交互信息映射为边，构建用户交互网络；所述构建用户交互网络的方式，计算公式如下：交互网络；所述构建用户交互网络的方式，计算公式如下：其中C为两节点之间的连接情况，若有连边则为1，无连边则为0，x为两节点之间的连边数量，U为用户节点，i，j为节点编号，n为交互的商品的数量，I表示商品，当两个用户共同对某个商品产生交互时，则这两个用户之间产生连边，构建用户与用户间的交互网络；在构建的用户交互网络中进行社区发现，根据用户所属社区重新赋予用户节点的属性；将具有属性的用户节点与商品交互信息重新构建二部图，将用户节点和商品节点映射为向量表示；将用户向量表示和商品向量表示及构建的二部图输入嵌入传播层进行图表示学习，优化用户向量表示和商品向量表示；对优化后的用户向量和商品向量进行内积操作，根据内积结果，预测用户点击商品的概率；得到针对用户的个性化商品推荐序列。2.根据权利要求1所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，所述在构建的用户交互网络中进行社区发现，包括以下步骤：通过计算节点的重要性，形成关键节点序列；将每一个节点都视为一个社区，对网络进行初始化；根据关键节点序列，按照关键性从高到低的顺序，尝试将当前节点的邻居节点纳入当前节点的社团，计算社团的增益情况，若增加，则将其纳入当前社团；重复直至增益数值不再增加为止。3.根据权利要求2所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，节点的重要性计算方式为：先在网络中创建一个地节点g，并为除地节点外的每个节点初始化重要性值s为1，并按照以下方式进行随机游走，直到各节点重要性值不再变化为止：其中i，j为节点，s为节点的重要性值，t为迭代的次数，为节点i，j的连接情况，若直接相连则为1，若不相连则为0，表示节点i随机游走到节点j的概率；n为图中节点的数量，为在t+1次迭代时i节点的重要性值，为在t次迭代时j节点的重要性值；迭代结束
算法收敛后，删除g节点；对每个节点的重要性值进行排序，得到一个节点的重要性序列。4.根据权利要求2所述的基于社区发现和图神经网络的商品个性化推荐方法，其特征在于，计算社团的增益情况，采用以下的增益函数Q：其中，m为网络中边的总数，为节点i，j的连接情况，若直接相连则为1，若不相连则为0；和表示节点i...

【专利技术属性】
技术研发人员：王斌，候正昂，盛津芳，
申请(专利权)人：中南大学，
类型：发明
国别省市：