本发明专利技术提出了一种基于图神经网络的推荐方法、推荐装置及推荐系统。其中，基于图神经网络的推荐方法包括：根据用户数据获取商品数据，并根据商品数据确定商品对象；根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。过目标神经网络模型根据用户请求进行推荐。过目标神经网络模型根据用户请求进行推荐。
【技术实现步骤摘要】
基于图神经网络的推荐方法、推荐装置及推荐系统
[0001]本专利技术涉及信息处理
，具体而言，涉及一种基于图神经网络的推荐方法、一种基于图神经网络的推荐装置以及一种基于图神经网络的推荐系统。
技术介绍
[0002]在现有技术中，通常基于图神经网络模型对用户需要的商品进行推荐，而知识图谱具有丰富的商品关联信息，可以为推荐系统提供丰富的辅助信息，但是图神经网络只能通过单关系图进行训练，而知识图谱为多关系图，无法对图神经网络训练，从而影响图神经网络的推荐效果。
技术实现思路
[0003]本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。
[0004]为此，本专利技术的一个方面在于提出了一种基于图神经网络的推荐方法。
[0005]本专利技术的另一个方面在于提出了一种基于图神经网络的推荐装置。
[0006]本专利技术的再一个方面在于提出了一种基于图神经网络的推荐系统。
[0007]本专利技术的又一个方面在于提出了一种可读存储介质。
[0008]有鉴于此，根据本专利技术的一个方面，提出了一种基于图神经网络的推荐方法，包括：根据用户数据获取商品数据，并根据商品数据确定商品对象；根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱；确定预设神经网络模型，并根据预设神经网络模型对第一知识图谱进行向量化处理；根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型；获取用户请求，并通过目标神经网络模型根据用户请求进行推荐。
[0009]本专利技术提供的基于图神经网络的推荐方法，需要建立关于用户消费商品的知识图谱，具体地，服务端首先根据用户数据获取商品数据，用户数据可以是用户在进行商品交易时的交易数据，用户数据可包括用户自身的身份标识码、用户交易商品时商品的身份标识码以及商品名称信息。因此，服务端可以通过获取的用户数据确定商品数据。
[0010]在获取了用户的商品数据后，服务端需要对商品数据进行进一步的提取，具体地，商品数据是用户在交易平台上标注的信息数据，商品数据可包括商品名称、商品的品牌名称、商品的型号名称。为了能够更加准确清晰的反映商品的实体信息，因此，服务端需要根据商品数据确定商品对象，也就是商品本身所代表的实体信息。服务端通过商品数据确定商品对象，避免了其它的商品信息对在建立知识图谱时，两条数据之间的链接造成的影响，进而导致知识图谱的建立失败。
[0011]在确定商品对象后，服务端根据商品数据以及商品对象获取多个特征信息，并根据商品名称以及多个特征信息生成第一知识图谱。
[0012]在该技术方案中，特征信息是用来表示商品对象属性以及用来限定商品对象的信息，具体地，特征信息可以用来表示商品对象的品牌、规格、型号等信息，也可是用来限定商
品对象所应用的领域、以及解释商品对象的作用的信息。
[0013]服务端通过商品对象获取多个特征信息，对表示商品特征的商品信息进行了进一步的拓展，丰富了商品对象的关联信息，进而使得根据商品名称以及多个特征信息生成的第一知识图谱中的信息更加多样化，进而提升了预设神经网络模型的训练效果。
[0014]当确定了第一知识图谱后，服务端通过预设的神经网络模型对第一知识图谱进行向量化处理，具体地，知识图谱中的每两条商品数据之间的数据相关性均不相同，为了能够更加清晰的反映商品数据之间的数据相关性信息，服务端需要对知识图谱中的每条与商品相关的商品数据进行向量化处理，以使得每个商品数据都有对应的数据向量，更加方便每两条商品数据之间的比较以及相关度的计算。
[0015]在将第一知识图谱进行向量化处理后，服务端根据向量化处理后的第一知识图谱对预设神经网络模型进行训练，得到目标神经网络模型，具体地，服务端通过向量化处理后的第一知识图谱对预设神经网络模型训练，以使得预设神经网络模型在训练中可以学习第一知识图谱中不同的商品数据之间的相关度，由于第一知识图谱好似通过用户数据得到的，因此，服务端通过第一知识图谱对预设神经网络模型的训练，预设神经网络模型还可学习到用户对于不同类型商品的偏好程度，进而使得训练后的预设神经网络模型可以更好的对用户进行推荐。
[0016]在对预设神经网络模型训练完毕，得到目标神经网络模型后，服务端通过目标神经网络模型根据用户请求进行推荐，以使得用户可得到符合自身商品需求的商品。
[0017]本技术方案的基于图神经网络的推荐方法，服务端通过商品名称以及特征信息生成第一知识图谱，更加清晰的反映了商品的特征；服务端通过生成的第一知识图谱对预设神经网络模型进行训练，并通过训练后的目标神经网络模型对用户进行推荐，实现了通过异质图神经网络模型根据多关系的异质图谱(即知识图谱)进行用户商品推荐的技术效果，改善了推荐效果，提升了用户体验。
[0018]根据本专利技术的上述基于图神经网络的推荐方法，还可以具有以下技术特征：
[0019]在上述技术方案中，根据商品数据以及商品对象获取多个特征信息，具体包括：对商品数据进行分词处理，得到多个第一特征信息；根据商品对象确定多个第二特征信息，第二特征信息为商品对象的同义词；根据商品对象确定多个第三特征信息，第三特征信息为商品对象的上位词；获取预设的第二知识图谱，并获取商品对象在第二知识图谱中对应的子知识图谱；根据子知识图谱确定多个第四特征信息。
[0020]在该技术方案中，对特征信息的获取进行了进一步限定，具体地，特征信息的来源分为四部分，分别是：商品数据本身关于商品对象的特征信息、商品对象的同义词信息、商品对象的上位词信息以及在预设的第二知识图谱处获取的关于商品对象的特征信息。
[0021]具体地，服务端通过对商品数据进行分词处理，并将用来表示商品对象属性的名词作为第一特征信息；服务端通过腾讯词向量对商品对象的同义词进行查询并将获取到的同义词作为第二特征信息；服务端通过开源大辞林对商品对象的上位词进行查询，并将获取到的上位词作为第三特征信息；服务端通过在中文开放知识图谱中查找与商品对象对应的子知识图谱，也就是与商品对象有关的知识图谱，将子知识图谱中的商品信息作为第四特征信息，并通过此四类特征信息作为构建商品对象的知识图谱的多个特征信息。
[0022]本申请的技术方案，通过服务端将商品对象的同义词以及商品对象的上位词作为
构建第一知识图谱的特征信息，丰富了第一知识图谱的信息量，进而使得预设神经网络模型可学习到更多有关于商品对象的特征信息，提升了推荐效果。
[0023]进一步地，服务端在对商品对象的上位词进行查询时，可对商品对象进行两个级别的上位词查询，即首先确定商品对象的上位词，得到一级上位词，随后，确定一级上位词的上位词，得到二级上位词，并将一级上位词以及二级上位词作为商品对象的第三特征信息。
[0024]在上述任一技术方案中，根据商品对象以及多个特征信息生成第一知识图谱，具体包括：确定商品对象与多个特征信息的多个对应关系；根据多个对应关系在多个特征信息与商品对象之间建立多个链本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络的推荐方法，其特征在于，包括：根据用户数据获取商品数据，并根据所述商品数据确定商品对象；根据所述商品数据以及所述商品对象获取多个特征信息，并根据商品名称以及所述多个特征信息生成第一知识图谱；确定预设神经网络模型，并根据所述预设神经网络模型对所述第一知识图谱进行向量化处理；根据向量化处理后的第一知识图谱对所述预设神经网络模型进行训练，得到目标神经网络模型；获取用户请求，并通过所述目标神经网络模型根据所述用户请求进行推荐。2.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，所述根据所述商品数据以及所述商品对象获取多个特征信息，具体包括：对所述商品数据进行分词处理，得到多个第一特征信息；根据所述商品对象确定多个第二特征信息，所述第二特征信息为所述商品对象的同义词；根据所述商品对象确定多个第三特征信息，所述第三特征信息为所述商品对象的上位词；获取预设的第二知识图谱，并获取所述商品对象在所述第二知识图谱中对应的子知识图谱；根据所述子知识图谱确定多个第四特征信息。3.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，所述根据所述商品对象以及所述多个特征信息生成第一知识图谱，具体包括：确定所述商品对象与所述多个特征信息的多个对应关系；根据所述多个对应关系在所述多个特征信息与所述商品对象之间建立多个链接，以形成所述第一知识图谱。4.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，根据所述预设神经网络模型对所述第一知识图谱进行向量化处理，具体包括；根据所述预设神经网络模型确定多个第一预设向量，并将所述多个第一预设向量添加至所述商品对象以及所述多个特征信息。5.根据权利要求1所述的基于图神经网络的推荐方法，其特征在于，所述根据向量化处理后的第一知识图谱对所述预设神经网络模型进行训练，具体包括：将所述第一知识图谱中的商品对象作为源节点，并将所述多个特征信息作为源节点对应的多个相邻节点；获取多个对应关系，并根据所述多个对应关系确定源节点向量与多个相邻节点向量之间的多个权重；将所述多个权重添加至对应的所述多个相邻节点向量，并根据所述源节点向量以及配置权重的所述多个相邻节点向量对所述预设神经网络模型进行训练。6.根据权利要求5所述的基于图神经网络的推荐方法，其特征在于，所述根据所述源节点向量以及配置权重的所述多个相...
【专利技术属性】
技术研发人员：谢春甫，
申请(专利权)人：用友网络科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。