基于多层异质图卷积模型的个性化商品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多层异质图卷积模型的个性化商品推荐方法及系统，属于人工智能技术领域。本发明专利技术首先将电子商务网络构建成一个多层异质属性网络，同时建模用户与商品间的多种交互行为；其次，考虑到用户与商品间不同类型交互的不同影响，设置了自适应调节的参数来捕获影响的大小；然后，设计了一个多层图卷积模块，能够自动捕获多层异质属性网络中跨越多种关系的不同长度的元路径信息来得到节点的表征；最后利用余弦相似性实现对用户进行个性化商品推荐。本发明专利技术能够建模用户与商品间多种交互行为，学习高性能的表征，进一步提升推荐的准确度，提高用户的体验。提高用户的体验。提高用户的体验。

【技术实现步骤摘要】
基于多层异质图卷积模型的个性化商品推荐方法及系统


[0001]本专利技术涉及一种基于多层异质图卷积模型的个性化商品推荐方法及系统，属于人工智能


技术介绍

[0002]近些年，电子商务和移动互联网飞速发展，淘宝、京东、唯品会、拼多多等电子商务平台纷纷崛起，满足了人们在线购物的需要。如今，网上购物已经成为人们日常生活中不可或缺的部分，在为人们提供便捷服务的同时，也极大地促进了经济增长。电子商务平台中数量庞大的商品信息无论是给商品的提供者还是给商品的购买者都带来了巨大的挑战：商品提供者如何向商品购买者披露合适的商品信息；商品的购买者如何在众多的商品信息中筛选出自己需要的商品信息。针对这一系列的问题，商品个性化推荐系统应运而生。商品推荐系统是立足于大数据分析基础上实现的，根据用户的喜好倾向进行智能推荐，在提升产品销售量的同时，促使用户体验大幅度提升。在个性化推荐越来越受到学术界和工业界重视的大背景下，电子商务领域内个性化商品推荐技术得到不断丰富和发展。
[0003]个性化推荐系统的目的是在给定用户的历史交互商品的前提下，预测用户在未来可能交互的一系列商品。人们在网上购物时，大量的用户与商品的交互(比如，用户的点击、评论、收藏、加入购物车等行为)会被记录下来，这些丰富的用户行为记录为了解用户的兴趣爱好提供了机会。人们通过分析用户的多种序列行为，挖掘交互行为中隐含的用户偏好，来对用户进行有效的个性化推荐。
[0004]在商品推荐系统中，传统的推荐方法主要以协同过滤模型为代表。最常见的协同过滤算法主要有邻域方法和矩阵分解模型，其中邻域方法通过测量商品与相似性矩阵之间的距离来进行推荐，基于邻域的算法大致分为两大类，一类是基于用户的协同过滤算法，另一类是基于商品的协同过滤算法。不同于邻域推荐方法，矩阵分解通过用户和商品嵌入之间的内积来估计用户对商品的偏好。虽然上述两种方法在推荐方面取得了显著的成效，但是这些方法仅仅将用户的某些历史交互商品直接作为商品的集合，通过分析集合来进行推荐。简言之，它们只是通过挖掘用户和商品之间的静态相关性来进行推荐，而忽略了隐藏在用户序列行为中的偏好的转移，且无法对序列数据中的复杂关系进行建模。
[0005]通过对现有的商品推荐方法进行分析总结，传统方法在以下几个方面存在不足：1）忽视或者无法同时建模用户的多种交互行为，造成推荐商品不准确，降低用户体验；2）现有的网络表征学习方法复杂度极高，效率极低，不能及时更新，无法应用于动态环境以捕获用户动态偏好变化；3）忽视或不重视用户与商品的属性，比如用户的地理位置、性别、消费金额等，商品的类别、价格、描述信息等，有效利用这些外部信息，能够进一步提高推荐性能。

技术实现思路

[0006]为解决电子商务领域个性化商品推荐问题，本专利技术提供一种基于多层异质图卷积
模型的个性化商品推荐方法及系统，以实现更有效的商品推荐，提高用户在电商平台上的购物体验感。
[0007]为实现上述专利技术目的，本专利技术采取的具体技术方案如下：一种基于多层异质图卷积模型的个性化商品推荐方法，包括如下步骤：步骤1，收集用户与商品信息数据，并构建多层异质属性网络，其中，为所有用户节点的集合，为所有商品节点的集合，为所有类型边的边集合，R为各种交互行为集合，是所有节点的属性矩阵，每一行表示对应节点的属性向量；步骤2，解耦多层异质属性网络：将多层异质属性网络解耦为多个二分网络，以区分多层网络中节点间的各种关系，每个二分网络仅包含一种用户与商品间的关系；令表示解耦后的所有二分网络的邻接矩阵集合；其中每个二分网络邻接矩阵 为用户节点和商品节点间对角线为零的对称邻接矩阵；步骤3，自适应融合解耦后的二分网络：对解耦后的多个二分网络进行加权融合，以获得组合邻接矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中二分网络邻接矩阵的权重表示网络中相应边类型的重要性；步骤4，针对多层异质属性网络设计多层异质图卷积模型以获得节点表征向量；多层异质图卷积模型融合了所有层的输出，以捕获跨越多种关系且长度不同的所有元路径信息：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)步骤5，训练所述多层异质图卷积模型：利用训练集对该模型进行训练，并通过负采样最小化公式（7）所示二元交叉熵损失函数来优化模型参数和：
ꢀꢀꢀ
(7)其中表示正节点对集合，表示负节点对集合，u,v分别表示正节点对集合中的用户节点跟商品节点，分别表示负节点对集合中的用户节点跟商品节点，表示节点v的表征，表示节点u的表征，表示节点的表征，表示节点的表征，T表示矩阵转置，表示sigmoid函数，<
·
>是任何向量相似性度量函数（例如内积）；步骤6，个性化商品推荐算法：基于所述多层异质图卷积模型学习到的所有用户节点与商品节点的表征向量，对于给定用户v，利用余弦相似性度量用户v对商品w的偏好：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中是用户v的表征向量，是商品w的表征向量；最后，根据公式(8)计算用户v对所有商品的偏好并排序，选择偏好最大的Top
‑
k个商品，进行个性化推荐。
[0008]进一步的，所述步骤4中，以两层图卷积网络（GCN）为例来说明如何捕获元路径信息；对于单层GCN：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，表示第一层的输出（即网络的隐表征），是第一层的可学习权重矩阵，通过步骤（5）训练优化。对于第二层GCN，信息传递过程可以表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，表示第二层的输出（即网络的隐表征），是第二层的可学习权重矩阵，通过步骤（5）训练优化。公式（2）中的组合邻接矩阵以视为由长度为1的元路径实例生成的元路径聚合图，因此单层GCN可以有效的学习包含长度为1的元路径信息的节点表征。同理，的二次幂自动捕获长度为2的元路径信息同时保留关系的重要性权重。因此，融合单层GCN和双层GCN的输出：，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)最终的表征包含所有长度为1和2的元路径信息。为了捕获更长的异质元路径信息，将其扩展到l层：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中和分别表示第l
‑
1层和第l层的输出，和分别表示第l
‑
1层和第l层的可学习权重矩阵，通过步骤（5）训练优化。因此，多层异质图卷积模型融合了所有层的输出，以捕获跨越多种关系且长度不同的所有元路径信息：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)进一步的，所述步骤5中，将网络中的连接节点视为正节点对，并将所有未连接节点视为负节点对。将正节点对按 85%、5% 和 10% 的比例划分为训练集、验证集和测试集。同时，随机选择相同数量的负节点对加入到训练集、验证集和测试集中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层异质图卷积模型的个性化商品推荐方法，其特征在于，包括如下步骤：步骤1，收集用户与商品信息数据，并构建多层异质属性网络，其中，为所有用户节点的集合，为所有商品节点的集合，为所有类型边的边集合，R为各种交互行为集合，是所有节点的属性矩阵，每一行表示对应节点的属性向量；步骤2，解耦多层异质属性网络：将多层异质属性网络解耦为多个二分网络，每个二分网络仅包含一种用户与商品间的关系；令表示解耦后的所有二分网络的邻接矩阵集合；其中每个二分网络邻接矩阵为用户节点和商品节点间对角线为零的对称邻接矩阵；步骤3，自适应融合解耦后的二分网络：对解耦后的多个二分网络进行加权融合，以获得组合邻接矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，二分网络邻接矩阵的权重表示网络中相应边类型的重要性；步骤4，针对多层异质属性网络设计多层异质图卷积模型以获得节点表征向量；多层异质图卷积模型融合了所有层的输出，以捕获元路径信息：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)步骤5，训练所述多层异质图卷积模型：利用训练集对该模型进行训练，并通过负采样最小化公式（7）所示二元交叉熵损失函数来优化模型参数和：
ꢀꢀꢀ
(7)其中表示正节点对集合，表示负节点对集合，u,v分别表示正节点对集合中的用户节点跟商品节点，分别表示负节点对集合中的用户节点和商品节点，表示节点v的表征，表示节点u的表征，表示节点的表征，表示节点的表征，T表示矩阵转置，表示sigmoid函数，<
·
>是任何向量相似性度量函数；步骤6，个性化商品推荐算法：基于所述多层异质图卷积模型学习到的所有用户节点与商品节点的表征向量，对于给定用户v，利用余弦相似性度量用户v对商品w的偏好：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中是用户v的表征向量，是商品w的表征向量；最后，根据公式(8)计算用户v对所有商品的偏好并排序，选择偏好最大的Top
‑
k个商品，完成个性化推荐。2.如权利要求1所述的基于多层异质图卷积模型的个性化商品推荐方法，其特征在于，所述步骤4中，捕获元路径信息具体为：对于单层GCN：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，表示第一层的输出，是可学习权重矩阵；对于第二层GCN，信息传递过程表示为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)公式（2）中的组合邻接矩阵视为由长度为1的元路径实例生成的元路径聚合图，因此单层GCN有效的学习包含长度为1的元路径信息的节点表征；同理，...

【专利技术属性】
技术研发人员：于彦伟，于澎洋，董军宇，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：