一种基于用户图增强图神经网络的下一个购物篮推荐系统技术方案

本发明专利技术提供了一种基于用户图增强图神经网络的下一个购物篮推荐系统，其中，虚拟购物篮构造层在用户购物篮序列基础上根据全局物品共现信息和用户兴趣挖掘用户未购买但强关联物品进行补充得到虚拟购物篮；用户级图卷积层在虚拟购物篮对应的增强的用户级物品图基础上利用多层图卷积层捕获新旧物品节点间的连通性关系，得到个性化的单用户探索模式表示；门控信息融合层通过门控更新机制集成单用户重复模式表示、单用户探索模式表示以及共享表示；所述预测层用于根据所述最终表示预测用户将要购买的物品，构成下一个购物篮。该系统通过结合全局物品间关系和用户自身兴趣的方式，提升下一个购物篮推荐的个性化水平，并缓解数据稀疏性。解数据稀疏性。解数据稀疏性。

【技术实现步骤摘要】
一种基于用户图增强图神经网络的下一个购物篮推荐系统


[0001]本专利技术涉及在线电子商务
，具体涉及一种基于用户图增强图神经网络的下一个购物篮推荐系统。

技术介绍

[0002]近年来电子商务发展迅速，其中的在线杂货购物服务变得十分流行，与此同时，它所遇到信息过载问题也日益严重。在线杂货购物服务与传统推荐场景不同，在杂货购物服务中用户以购物篮(会话)的形式购买物品，侧重于用户和会话交互。在线杂货购物服务属于会话推荐中的下一个购物篮推荐任务，传统推荐方法的效果十分有限。为了缓解在线杂货购物服务场景下的信息过载问题，下一个购物篮推荐任务受到学术界和工业届的广泛关注。
[0003]对于下一个购物篮推荐任务，研究方法主要分为传统方法和深度学习方法。传统方法基于近邻的思想，利用K近邻算法挖掘最相似的用户或物品，但传统方法忽略了会话内物品关系的挖掘，也未反映物品的重购模式；深度学习方法基于序列建模的思想，利用神经网络对用户购物篮序列建模，挖掘用户的兴趣变化，深度学习方法都在研究用户的购物篮表示序列，其中的重要部分是物品和购物篮之间的转换方法，然而，这些深度学习方法的物品和购物篮转换方法都会丢失信息，包括物品信息、用户购物频率信息，导致最终的推荐性能不佳。
[0004]对此，现有技术提出了基于图神经网络的DNNTSP模型，该模型拥有建模用户重复购买行为的能力。它根据用户购物篮中物品共现为每个购物篮构造加权图形成序列图，并利用图神经网络学习序列图得到单个已购物品不同时刻的表示组成物品表示序列，之后在单个已购物品表示序列上采用注意力机制挖掘物品的时间依赖。不仅避免了其他深度学习方法所需的物品购物篮转换过程，更重要的是从物品粒度建模了用户重复购买模式。
[0005]但DNNTSP模型仍然存在一些不足，DNNTSP模型重视用户的重复购买模式，却轻视用户的探索购买模式，即用户购买从未购买过的物品。DNNTSP模型的重复购买模式仅利用了用户单个购物篮中的物品共现信息与用户购物篮之间的顺序信息，缺少了用户之间的关系信息；探索购买模式尽管用了基于用户相似购物行为挖掘的全局共享模式，但全局共享模式没有考虑物品间的关系，尤其是用户已购物品和未购买新物品之间的关系，导致推荐新物品时倾向于选择受大众欢迎的物品，缺乏个性化。另外，由于数据稀疏性，图结构中存在一些未被捕获的积极交互。
[0006]因此，有必要提供一种新的推荐方法，使得该方法能够提升个性化水平，并缓解数据稀疏性。

技术实现思路

[0007]解决的技术问题
[0008]针对现有技术所存在的上述缺点，本专利技术提供了一种基于用户图增强图神经网络
的下一个购物篮推荐系统，该系统通过结合全局物品间关系和用户自身兴趣的方式，提升下一个购物篮推荐的个性化水平，并缓解数据稀疏性。
[0009]技术方案
[0010]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0011]本专利技术一种基于用户图增强图神经网络的下一个购物篮推荐系统，包括虚拟购物篮构造层、用户级图卷积层、门控信息融合层和预测层，系统输入是用户购物篮序列；
[0012]所述虚拟购物篮构造层在用户购物篮序列基础上根据全局物品共现信息和用户兴趣挖掘用户未购买但强关联物品进行补充得到虚拟购物篮，并将虚拟购物篮以图结构形式表示为增强的用户级物品图输出给所述用户级图卷积层；
[0013]所述用户级图卷积层在所述增强的用户级物品图基础上利用多层图卷积层捕获新旧物品节点间的连通性关系，学习用户对新旧物品的兴趣得到个性化的单用户探索模式表示，并将所述单用户探索模式表示输出给所述门控信息融合层；
[0014]所述门控信息融合层通过门控更新机制集成所述单用户重复模式表示、所述单用户探索模式表示以及共享表示，得到最终表示输出给所述预测层；
[0015]所述预测层用于根据所述最终表示预测用户将要购买的物品，构成下一个购物篮。
[0016]进一步地，所述虚拟购物篮的图表示——增强的用户级物品图是在用户级物品图基础上采用用户增强矩阵进行探索增强得到，所述用户级物品图根据用户购物篮序列中购物篮内物品共现信息构造。
[0017]进一步地，所述用户增强矩阵是结合全局物品共现信息和用户兴趣得到的，用于表示用户已购买物品与各个物品的相关度矩阵，计算方法为：
[0018]D
i
＝(diag{freq
i
})(C(I
‑
diag{s
i
}))
[0019]其中，I∈R
m
×
m
为单位矩阵，m为物品种类数。I
‑
diag{s
i
}为掩盖矩阵，用于去除已出现在用户级物品图中的物品共现，s
i
∈R
m
为一个0/1向量，若物品集V
i
中存在物品v
p
其第p个元素为1，否则为0。freq
i
∈R
m
为用户u
i
的用户购买频次向量，其第p个元素为购物篮序列B
i
中物品v
p
的购买次数，若没有购买过该物品则为0，D
i
∈R
m
×
m
为用户u
i
的用户增强矩阵，其中D
i,pq
是第p行q列的元素值，表示对于用户u
i
物品v
p
和物品v
q
的相关度。
[0020]进一步地，所述增强的用户级物品图的构建方法为：使用用户增强新物品集来增加用户级物品图中的物品节点，使用用户增强矩阵中元素值的归一化结果作为边权重，并为新增物品添加权值为1的自连接，最终得到所述增强的用户级物品图。
[0021]进一步地，所述用户级图卷积层包括三层图卷积层。
[0022]进一步地，所述用户级图卷积层的输入是物品图其中，加权矩阵为V
ien
是物品图的物品集，为物品图的边集，输出为单层图卷积层的信息传播方式如下：
[0023][0024]其中，为加权矩阵的第p行第q列的元素值，和是第l个
图卷积层的可训练参数，F
l
表示第l层的输出维度；σ使用的是sigmoid函数，为第l个图卷积层中物品v
p
的表示，当l为0时为e
p
是物品的初始化表示，这些初始化表示{e
p
|v
p
∈V
ien
}通过嵌入矩阵E∈R
m
×
F
获得。第三层的输出即为用户u
i
对物品v
p
的单用户探索模式表示，记为x
i,p
。
[0025]进一步地，所述门控信息融合层包括两层，具体计算过程如下，
[0026][0027][0028]其中φ(V...

【技术保护点】

【技术特征摘要】
1.一种基于用户图增强图神经网络的下一个购物篮推荐系统，其特征在于，包括虚拟购物篮构造层、用户级图卷积层、门控信息融合层和预测层，系统输入是用户购物篮序列；所述虚拟购物篮构造层在用户购物篮序列基础上根据全局物品共现信息和用户兴趣挖掘用户未购买但强关联物品进行补充得到虚拟购物篮，并将虚拟购物篮以图结构形式表示为增强的用户级物品图输出给所述用户级图卷积层；所述用户级图卷积层在所述增强的用户级物品图基础上利用多层图卷积层捕获新旧物品节点间的连通性关系，学习用户对新旧物品的兴趣得到个性化的单用户探索模式表示，并将所述单用户探索模式表示输出给所述门控信息融合层；所述门控信息融合层通过门控更新机制集成所述单用户重复模式表示、所述单用户探索模式表示以及共享表示，得到最终表示输出给所述预测层；所述预测层用于根据所述最终表示预测用户将要购买的物品，构成下一个购物篮。2.根据权利要求1所述的基于用户图增强图神经网络的下一个购物篮推荐系统，其特征在于，所述虚拟购物篮的图表示——增强的用户级物品图是在用户级物品图基础上采用用户增强矩阵进行探索增强得到，所述用户级物品图根据用户购物篮序列中购物篮内物品共现信息构造。3.根据权利要求2所述的基于用户图增强图神经网络的下一个购物篮推荐系统，其特征在于，所述用户增强矩阵是结合全局物品共现信息和用户兴趣得到的，用于表示用户已购买物品与各个物品的相关度矩阵，计算方法为：D
i
＝(diag{freq
i
})(C(I
‑
diag{s
i
}))其中，I∈R
m
×
m
为单位矩阵，m为物品种类数，I
‑
diag{s
i
}为掩盖矩阵，用于去除已出现在用户级物品图中的物品共现，s
i
∈R
m
为一个0/1向量，若物品集V
i
中存在物品v
p
其第p个元素为1，否则为0，freq
i
∈R
m
为用户u
i
的用户购买频次向量，其第p个元素为购物篮序列B
i
中物品v
p
的购买次数，若没有购买过该物品则为0，D
i
∈R
m
×
m
为用户u
...

【专利技术属性】
技术研发人员：黄建军，黄俊杰，
申请(专利权)人：深圳大学，
类型：发明
国别省市：