基于可信图卷积神经网络的商品推荐方法及系统技术方案

本发明专利技术涉及一种商品推荐方法及系统，尤其是一种基于可信图卷积神经网络的商品推荐方法及系统。按照本发明专利技术提供的技术方案，一种基于可信图卷积神经网络的商品推荐方法，所述商品推荐方法包括：构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。本发明专利技术基于用户的可信语义，更准确地实现商品推荐。现商品推荐。现商品推荐。

【技术实现步骤摘要】
基于可信图卷积神经网络的商品推荐方法及系统


[0001]本专利技术涉及一种商品推荐方法及系统，尤其是一种基于可信图卷积神经网络的商品推荐方法及系统。

技术介绍

[0002]随着5G技术和工业4.0的发展，当前正处在实现更高水平的人工智能时代。智能手机、智能穿戴设备、智能家居等为广大用户提供了便捷的云服务(日常用品、音乐、短视频等)，用户可以随时随地浏览和购买心仪的商品。但是，由于互联网中存在着海量的资源，对于用户来说，一方面可以有大量的选择，但另一方面也使用户陷于海量无关信息中难以看到自己想要的资源。
[0003]为了能获得需要的资源，需要各种云平台能够根据用户信息推荐一些资源，优先显示给用户使用。例如，在电子商务平台上，电商会利用用户设置的喜好和浏览记录为用户推荐相关的商品，有利于用户快速找到其心仪的商品。此外，当前较为火热的短视频平台中，平台会为用户优化推荐用户所在地、爱好、新闻热点等相关的短视频，持续吸引用户不断刷下去。
[0004]上述推荐用户资源或商品的过程中，离不开背后的推荐算法。推荐算法本质上是一个信息过滤过程，从海量信息中选择出用户需要的信息。由于当前各个平台竞争激烈，优秀的推荐算法将为用户提供更快更准的服务，也就能从竞争中脱颖而出。当前的推荐算法大致分为4类：基于协同过滤的推荐算法、基于内容的推荐算法、基于关联规则的推荐算法和基于深度学习模型的推荐算法。
[0005]基于协同过滤的推荐算法利用用户和商品之间的交互信息为用户推荐，它是目前最为广泛应用的推荐算法，但该算法对稀疏数据较为敏感。基于内容的推荐算法利用用户已选的商品来寻找与其类似的商品进行推荐，但该算法需要有效的特征提取，为噪声数据影响较大，会导致推荐结果失准。
[0006]基于关联规则的推荐算法从大量数据中挖掘有价值的数据间的相关关系，常见的有Apriori演算法和F
‑
P算法，但传统的算法构建的是浅层模型，有效性和可扩展性非常有效，为此研究学者提出基于深度学习模型的推荐算法，该算法从海量数据中通过多层网络提取数据特征表示，能够有效处理稀疏数据和冷启动问题。上述算法主要利用数据之间的相似性和关联关系，对于用户行为并未深入分析行为的可信语义，无法保障推断出用户最为可能的购买意愿，更为准确推荐给用户所需商品。
[0007]由上述说明可知，由于当前信息技术的高速发展和海量数据的多维异构，其中存在着大量的噪声数据和数据稀疏问题，使得商品推荐的效果较差。

技术实现思路

[0008]本专利技术的目的是克服现有技术中存在的不足，提供一种基于可信图卷积神经网络的商品推荐方法及系统，其基于用户的可信语义，更准确地实现商品推荐。
[0009]按照本专利技术提供的技术方案，一种基于可信图卷积神经网络的商品推荐方法，所述商品推荐方法包括：
[0010]构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；
[0011]在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。
[0012]在商品推荐模型内，对任一图卷积层，所述图卷积方式包括：基于采样和聚合的GraphSAEG模型并结合注意力机制Attention；
[0013]在图卷积时，利用DeepWalk算法确定图中各个顶点的重要性Score，选取m个顶点作为信息链InfoP或信息域InfoD上的顶点，计算所选取顶点的可信度TD，且为每一个顶点加上一个权重。
[0014]对选取顶点的可信度TD，则有：
[0015][0016]其中，Degree(v)是顶点v的度数，Score(v)为通过DeepWalk算法计算出的顶点v的重要性得分，Neighors(u)是顶点u的邻居顶点集合，N_Info(u)为所有邻居顶点所在的信息链或信息域的总个数记为，N_Info(u)#v为用户u的任意一个邻居顶点v所处的信息链或信息域的个数记。
[0017]对计算选取顶点的可信度TD后，使用加权平均聚合方式得到聚合特征其中，
[0018]加权平均聚合为：
[0019]对聚合特征通过激活函数进行非线性变换，以得到当前图卷积层的输出激活函数ReLU为ReLU＝max(0,x)。
[0020]对构建的知识图谱KG为KG＝(U,R,X)，其中，
[0021]U为用户和商品集合，R为知识图谱中顶点的关系集合，X为特征集合，特征集合X包括用户年龄、性别、爱好、职业和/或已购商品。
[0022]在构建商品推荐模型时，训练阶段，采用半监督学习方法训练商品推荐模型的参数，且采用梯度下降方法更新模型参数。
[0023]一种基于可信图卷积神经网络的商品推荐系统，包括商品推荐处理器，其中，
[0024]在商品推荐时，商品推荐处理器利用上述的商品推荐方法进行商品推荐。
[0025]本专利技术的优点：在知识图谱中寻找用户的信息链和信息域，用来分析用户的行为语义，考虑用户对不同商品喜爱程度的不同，增强语义表达的区分度，提供更优质的个性化精准推荐；在GraphSAGE模型基础上，引入关注行为语义的注意力机制，即考虑了知识图谱的结构信息，又考虑了用户行为和语义可信等因素，构建了一个基于图卷积神经网络的商品推荐模型，更加有利于精准地提供可靠的特征提取操作，有效地解决浅层模型的不稳定性和难以迁移使用的问题，从而可为用户提供高效的商品推荐服务的可行方案，具有较好的扩展性，可以应对各种网络资源和商品推荐场景，为用户提供优质的商品推荐服务。
附图说明
[0026]图1为本专利技术利用商品推荐模型对知识图谱处理进行商品推荐的一种实施例。
具体实施方式
[0027]下面结合具体附图和实施例对本专利技术作进一步说明。
[0028]为了更准确地实现商品推荐，对基于可信图卷积神经网络的商品推荐方法，本专利技术的一种实施例中，所述商品推荐方法包括：
[0029]构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；
[0030]在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。
[0031]具体地，商品推荐模型基于图卷积神经网络构建得到，图1中示出了基于图卷积神经网络的构建商品推荐模型的情况，图1中，Input即为知识图谱，商品推荐模型包括两层图卷积层(GC1Layer、GC2Layer)、一全连接层(FC Layer)以及归一化输出端(Output)。
[0032]利用图卷积层进行图卷积处理，具体地，图卷积过程通过DeepWalk方法确定用户的信息链InfoP或信息域InfoD，以进行可信卷积提取特征信息；对两层图卷积层，每层都使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可信图卷积神经网络的商品推荐方法，其特征是，所述商品推荐方法包括：构建基于图卷积神经网络的商品推荐模型，其中，商品推荐模型至少包括两层依次连接图卷积层以及用于将经两层图卷积层卷积后归一化输出的归一化输出层；在商品推荐时，构建用户与商品的知识图谱，对所构建的知识图谱，利用商品推荐模型内的图卷积层、归一化输出层依次处理，以输出基于知识图谱的推荐商品。2.根据权利要求1所述基于可信图卷积神经网络的商品推荐方法，其特征是：在商品推荐模型内，对任一图卷积层，所述图卷积方式包括：基于采样和聚合的GraphSAEG模型并结合注意力机制Attention；在图卷积时，利用DeepWalk算法确定图中各个顶点的重要性Score，选取m个顶点作为信息链InfoP或信息域InfoD上的顶点，计算所选取顶点的可信度TD，且为每一个顶点加上一个权重。3.根据权利要求2所述基于可信图卷积神经网络的商品推荐方法，其特征是，对选取顶点的可信度TD，则有：其中，Degree(v)是顶点v的度数，Score(v)为通过DeepWalk算法计算出的顶点v的重要性得分，Neighors(u)是顶点u的邻居顶点集合，N_Info(...

【专利技术属性】
技术研发人员：曾程，袁永虹，
申请(专利权)人：江苏税软软件科技有限公司，
类型：发明
国别省市：