一种融合场景信息的图神经网络衣物推荐方法技术

本发明专利技术公开了一种融合场景信息的图神经网络衣物推荐方法，其包括以下步骤：S1：收集用户的场景数据，以用户、场景、衣物中的所有项目作为节点，用户与场景、用户与衣物之间的交互顺序为边，构成异质图，输入到神经网络；S2：使用Comp

【技术实现步骤摘要】
一种融合场景信息的图神经网络衣物推荐方法


[0001]本专利技术属数据处理及推荐算法
，具体涉及一种融合场景信息的图神经网络衣物推荐方法。

技术介绍

[0002]随着时代的发展和科技的进步，衣物种类越来越丰富，人们在进行网购时，经常为衣物的搭配而苦恼，尤其是希望有较好的衣着但时尚敏感度低或缺乏衣物搭配时间的人。
[0003]现有技术有通过对用户的购买记录进行统计分析，向用户推荐衣物，无法实现对指定场景进行衣物推荐。本专利技术针对上述问题，通过融合场景信息，利用图神经网络进行衣物推荐。

技术实现思路

[0004]有鉴于现有技术的上述缺陷，本专利技术的目的在于提供一种融合场景信息的图神经网络衣物推荐方法。
[0005]本专利技术提供如下的技术方案：
[0006]一种融合场景信息的图神经网络衣物推荐方法，包括以下步骤：
[0007]S1：收集用户的场景数据，以用户、场景、衣物中的所有项目作为节点，用户与场景、用户与衣物之间的交互顺序为边，构成异质图，输入到神经网络；
[0008]S2：使用Comp
‑
GCN模型设计异质图卷积编码器，在异质图上进行信息的传递和聚合，通过用户节点，将衣物和场景联系起来；
[0009]S3：通过解码器将编码所得的用户向量、衣物向量、场景向量进行联合解码，实现融合场景信息的衣物推荐。
[0010]优选地，步骤S1使用字母U、S、C代表用户、场景、衣物的集合,P
M
×
N
>代表用户u∈U和场景s∈S的交互矩阵，其中M和N分别是用户和场景的数量，P
M
×
N
的取值范围为[0，1]，从而通过用户节点建立衣物和场景的潜在关系。
[0011]优选地，步骤S1中的异质图包括两种类型的边：有向边R(u,c,r)；反向边R
inv
(c,u,r
‑1)，构成边的集合为：
[0012]E
′
＝E∪{(c,u,r
‑1)|(u,c,r)∈E}∪{(s,u,r
‑1)|(u,s,r)∈E}。
[0013]优选地，步骤S2使用两层的Comp
‑
GCN对异质图进行编码。
[0014]优选地，步骤S2使用公式h
r
＝W
rel
z
r
，将边的表示从边空间投影到节点空间，公式中，v
b
表示一组基向量，a
br
表示r在基向量v
b
上的系数，W
rel
是一个边空间到节点空间的投影矩阵。
[0015]优选地，步骤S2使用公式计算节点融合邻居节点的影响后的节点表征，公式中，W
r
是针对关系r的投影矩阵，h
u
的计算公式为h
u
＝ψ(x
u
,z
r
)＝x
u
*z
r
，其中x
u
为
当前节点的表示，f为激活函数。
[0016]优选地，步骤S2通过神经网络学习嵌入传播过程中的高阶连通性构建聚合模型，其第一层的聚合函数为第二层的聚合函数为从而获得融合用户节点、衣物节点、场景节点这三种节点的三元组数据。
[0017]步骤S3将步骤S2得到的所述异质图中的三种节点分解为共享的潜在空间；使用公式：
[0018][0019]得到用户与场景、用户与衣物、衣物与场景交互的多交互解码器，从而实现用户购买衣物的概率预测；公式中，h
u
,h
c
,h
s
分别代表用户向量，衣物向量，场景向量，N
s
,N
c
分别代表用户的场景邻居节点集合和衣物邻居节点集合，α,β分别表示衣物节点对场景节点的影响程度和场景节点对衣物节点的影响程度，均为可调节参数，O为最大池化函数。
[0020]优选地，步骤S3获得概率预测后，使用BPR损失函数：
[0021]计算BPR损失。
[0022]本专利技术的有益技术效果在于：本专利技术使用图神经网络建立衣物推荐系统，能够根据场景信息为用户推荐对应的衣物，更好地满足用户需求。
附图说明
[0023]图1是本专利技术实施例的融合场景信息的图神经网络衣物推荐方法的流程示意图；
[0024]图2是本专利技术实施例的融合场景信息的图神经网络衣物推荐方法的算法原理示意；
[0025]图3是本专利技术实施例的融合场景信息的图神经网络衣物推荐方法的异质图；
[0026]图4是本专利技术提供实施例的融合场景信息的图神经网络衣物推荐方法的推荐系统模型示意图。
具体实施方式
[0027]下面对本专利技术的实施例作详细说明，下述的实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0028]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
[0029]实施例：
[0030]参见图1、2、4，在本专利技术实施例提供的融合场景信息的图神经网络衣物推荐方法，其包括以下步骤：
[0031]S1：收集用户的场景数据，以用户、场景、衣物中的所有项目作为节点，用户与场景、用户与衣物之间的交互顺序为边，构成异质图，输入到神经网络；
[0032]参见图2，步骤S1使用字母U、S、C代表用户、场景、衣物的集合,P
M
×
N
代表用户u∈U和场景s∈S的交互矩阵，其中M和N分别是用户和场景的数量，P
M
×
N
的取值范围为[0，1]，从而通过用户节点建立衣物和场景的潜在关系。
[0033]步骤S1中的异质图包括两种类型的边：有向边R(u,c,r)；反向边R
inv
(c,u,r
‑1)，构成边的集合为：
[0034]E
′
＝E∪{(c,u,r
‑1)|(u,c,r)∈E}∪{(s,u,r
‑1))|(u,s,r)∈E}。
[0035]S2：使用Comp
‑
GCN模型设计异质图卷积编码器，在异质图上进行信息的传递和聚合，通过用户节点，将衣物和场景联系起来；
[0036]步骤S2使用两层的Comp
‑
GCN对异质图进行编码。
[0037]步骤S2使用公式h...

【技术保护点】

【技术特征摘要】
1.一种融合场景信息的图神经网络衣物推荐方法，其特征在于，包括以下步骤：S1：收集用户的场景数据，以用户、场景、衣物中的所有项目作为节点，用户与场景、用户与衣物之间的交互顺序为边，构成异质图，输入到神经网络；S2：使用Comp
‑
GCN模型设计异质图卷积编码器，在异质图上进行信息的传递和聚合，通过用户节点，将衣物和场景联系起来；S3：通过解码器将编码所得的用户向量、衣物向量、场景向量进行联合解码，实现融合场景信息的衣物推荐。2.根据权利要求1所述的融合场景信息的图神经网络衣物推荐方法，其特征在于，所述步骤S1使用字母U、S、C代表用户、场景、衣物的集合,P
M
×
N
代表用户u∈U和场景s∈S的交互矩阵，其中M和N分别是用户和场景的数量，P
M
×
N
的取值范围为[0，1]，从而通过用户节点建立衣物和场景的潜在关系。3.根据权利要求1所述的融合场景信息的图神经网络衣物推荐方法，其特征在于，所述步骤S1所述的异质图包括两种类型的边：有向边R(u,c,r)；反向边R
inv
(c,u,r
‑1)，构成边的集合为：E
′
＝E∪{(c,u,r
‑1)|(u,c,r)∈E}∪{(s,u,r
‑1)|(u,s,r)∈E}。4.根据权利要求1所述的融合场景信息的图神经网络衣物推荐方法，其特征在于，所述步骤S2使用两层的Comp
‑
GCN对异质图进行编码。5.根据权利要求1所述的融合场景信息的图神经网络衣物推荐方法，其特征在于，所述步骤S2使用公式h
r
＝W
rel
z
r
，将边的表示从边空间投影到节点空间，公式中，v
b
表示一组基向量...

【专利技术属性】
技术研发人员：刘长红，林焕旭，杨博卿，谭景文，蔡培周，江沐鸿，
申请(专利权)人：广州大学，
类型：发明
国别省市：