基于用户行为序列的农产品推荐算法制造技术

本发明专利技术公开了一种基于用户行为序列的农产品推荐方法，包括：(1)用长短期记忆网络和注意力网络相结合组成深度兴趣网络，以此来捕获物品的潜在特征；(2)构建用户

【技术实现步骤摘要】
基于用户行为序列的农产品推荐算法


[0001]本专利技术涉及推荐算法和图神经网络领域，特别涉及一种基于用户行为序列的农产品推荐算法

技术介绍

[0002]现代电商平台普遍使用了推荐系统，推荐系统是为了解决信息过载而产生的一种信息过滤工具，通常包括收集用户信息和分析用户偏好、构建用户兴趣模型、确定推荐算法并推荐实施等部分。推荐系统能提高用户的忠诚度和黏着性,还能创造经济效益.早期的推荐系统，主要是为了预测用户的兴趣，由此来判断用户是否购买此农产品，缺点是，早期的农产品数目、种类较少，无法准确的为用户推荐合适的农产品。同时，由于农产品的季节性特点，销售的旺季淡季十分明显，在农产品淡季时，用户几乎不会搜索农产品，购买的可能性很小。
[0003]对于推荐系统，尽管前期已有很多人就此提出了多种算法和应用实现方案，不过依旧有许多问题尚未得到解决，譬如冷启动问题、数据稀疏问题等就是比较典型的问题，而且是普遍存在的问题。现有的传统推荐算法不能完全适用于农产品推荐，往往会造成推荐精度不高,不能很好地捕捉到用户兴趣。因此找出一种高效精准的农产品推荐方法，对于创造农产品的经济效益具有重要意义。
[0004]而现有的比较流行的模型大多为多层感知机通过池化不同分组的特征获得固定长度的兴趣表示向量，然而，并非所有的历史行为对于表征用户兴趣都起着同等重要的作用。长短期记忆网络与注意力网络相结合组成的深度兴趣模型，它的输入融合了用户画像特征和历史行为，利用用户历史行为序列信息，使用Attetion机制动态构建用户兴趣Embeeding，使模型能够捕获用户兴趣。。

技术实现思路

[0005]针对上述内容，本专利技术创造了一种基于户行为序列的农产品推荐算法，提高待推荐商品的购买概率
[0006]为了实现上述内容，本专利技术采用的技术方案如下：
[0007]一种基于户行为序列的农产品推荐算法，包括如下步骤：
[0008]步骤1：搜集农产品数据，制作农产品数据集，作为本实验的训练数据集，并进行预处理；
[0009]步骤2：获取深度兴趣模型作为实验的基础网络模型，对深度兴趣模型进行改进，搭建有效的农产品推荐网络DGNN
‑
PR；
[0010]步骤3：将搜集到的农产品数据集，输入到深度兴趣模型在农产品数据集上进行充分地预训练，训练轮次设置为50，保存训练后的模型参数；
[0011]步骤4：再将处理好的数据集数据，输入到图神经网络中进行预训练，在制作的农产品数据集上训练深度兴趣模型，直到网络的测试损失趋于平稳的时候，停止训练，并保存
测试精度最高的模型参数
[0012]步骤5：载入充分训练后的参数，并将图神经网络参数与深度兴趣模型的参数在嵌入层进和融合，得到待推荐商品的购买概率；
[0013]优选地，所述的步骤1具体为：
[0014]搜集获得农产品数据集，包括用户ID、商品类别、购买月份、用户行为(如购买次数、浏览、点赞、评论数、询价数)、购买数量、输入数据到Embedding层，将数据转换成嵌入式向量。
[0015]优选地，所述的步骤2包括：
[0016]首先，搭建深度兴趣网络，其主要包括：LSTM部分，Attention部分其中：
[0017]传统的多层感知机模型通过池化不同分组的特征获得固定长度的兴趣表示向量，然而，并非所有的历史行为对于表征用户兴趣都起着同等重要的作用。长短期记忆网络与注意力网络相结合组成的深度兴趣模型，它的输入融合了用户画像特征和历史行为，利用用户历史行为序列信息，使用Attetion机制动态构建用户兴趣embeeding，使模型能够捕获用户兴趣。
[0018]Local
‑
attention使用用户兴趣的本地激活特征来搜索历史行为中对目标商品的软性驱动力。用户的兴趣表示矢量不再是统一的权重，而是在历史行为序列中通过自适应加权计算来获取用户兴趣表示向量的值，其公式为：
[0020]然后，对深度兴趣网络进行改进。
[0021]首先，将处理好的数据通过Embedding层输入到图神经网络中，具体如下：
[0022]推荐算法的输入数据由两部分组成，分别是用户集U＝{u1,u2,...,u
n
}和项目集I＝{i1,i2,...,i
m
}，其中n是用户数量，m是项目数量，每个样本中的属性数量不相同。将每个用户(农产品)的特征都通过Embedding映射为一个d维的嵌入向量。用户集U的嵌入向量表示为f为用户的特征数量；项目集I的嵌入向量表示为a为项目的特征数量在用户图中将特征作为节点，特征间的联系作为边，当两个特征同时出现在一个样本中时定义为这两个特征是有联系的。利用用户
‑
商品的交互信息构建用户
‑
商品二部图。比如一样农产品可以有多个分类，当两个属性同时出现在一个样本中，将定义为这两个属性是有联系的。以用户特征图为例，顶点集合为将用户特征作为节点构成的图表示为G
U
＝{V
U
,E
U
}，利用GNN的信息聚合和消息传递机制，学习每一个节点的向量。
[0023]将原始数据处理好之后输入到GNN层中。用户特征交互图包含了用户各个特征之间的联系，对用户特征进行交叉运算可以更好地学习用户的向量表示。在GNN消息传递机制中邻居节点信息的聚合方法有求和、取平均和取最大值，这里采用取平均的方法来聚合邻居节点的信息，以最大限度的保留各个邻居节点对当前节点的影响。GNN的消息传递机制表示如式
[0024]其中f表示一种可微的、且置换不变的函数，γ和φ均为可微分的函数，γ函数性质类似于常见的非线性激活函数。此机制相当于把一个节点的领域节点特征聚合到该节点。聚合的信息主要有两部分组成，第一部分主要是上一层中该节点自身的特征信息，第二部分是上一层中该节点和邻居节点相连边上所传递传递信息。当前节点表示如式h
i
＝δ(W
·
Aggregate{e
j
,j∈N(i)}+b)
[0025]其中Aggregate可以为Mean、Sum、Max等函数，δ为激活函数，N
(i)
为节点i在图中的邻居节点集合，e
j
为节点i的邻居节点，W和b为权重和偏置，目的是利用GNN的消息传递机制学习特征之间的联系，也就是用户和产品之间的关联信息，得到用户(商品)的嵌入向量表示。
[0026]其次深度兴趣模型中对于不同的候选商品，通过目标注意力机制来进行用户兴趣的表示。模型中激活函数(Activation Function)计算候选物品和用户历史行为中物品的相关性权重，权重大小即代表用户历史行为对候选商品的相关程度。激活函数如下：
[0027]其中V
i
表示用户u行为序列中第i次行为物品的嵌入向量，V
a
表示候选商品的嵌入向量，V
u
表示用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户行为序列的农产品推荐方法，首先本发明的整体实验步骤如下：步骤1：搜集农产品数据，制作农产品数据集，作为本实验的训练数据集，并进行预处理；步骤2：获取深度兴趣模型作为实验的基础网络模型，对深度兴趣模型进行改进，搭建有效的农产品推荐网络DGNN
‑
PR；步骤3：将搜集到的农产品数据集，输入到深度兴趣模型在农产品数据集上进行充分地预训练，训练轮次设置为50，保存训练后的模型参数；步骤4：再将处理好的数据集数据，输入到图神经网络中进行预训练，在制作的农产品数据集上训练深度兴趣模型，直到网络的测试损失趋于平稳的时候，停止训练，并保存测试精度最高的模型参数步骤5：载入充分训练后的参数，并将图神经网络参数与深度兴趣模型的参数在嵌入层进和融合，得到待推荐商品的购买概率。2.根据权利要求1所述的一种基于用户行为序列的农产品推荐方法其特征在于，步骤1包括：搜集获得农产品数据集，包括用户ID、商品类别、购买月份、用户行为(如购买次数、浏览、点赞、评论数、询价数)、购买数量、输入数据到Embedding层，将数据转换成嵌入式向量。3.根据权利要求1所述的一种基于用户行为序列的农产品推荐方法其特征在于，步骤2包括：首先，搭建深度兴趣网络，其主要包括：LSTM部分，Attention部分其中：传统的多层感知机模型通过池化不同分组的特征获得固定长度的兴趣表示向量，然而，并非所有的历史行为对于表征用户兴趣都起着同等重要的作用。长短期记忆网络与注意力网络相结合组成的深度兴趣模型，它的输入融合了用户画像特征和历史行为，利用用户历史行为序列信息，使用Attetion机制动态构建用户兴趣embeeding，使模型能够捕获用户兴趣。Local
‑
attention使用用户兴趣的本地激活特征来搜索历史行为中对目标商品的软性驱动力。用户的兴趣表示矢量不再是统一的权重，而是在历史行为序列中通过自适应加权计算来获取用户兴趣表示向量的值，其公式为：然后，对深度兴趣网络进行改进。首先，将处理好的数据通过Embedding层输入到图神经网络中，具体如下：推荐算法的输入数据由两部分组成，分别是用户集U＝{u1,u2,...,u
n
}和项目集I＝{i1,i2,...,i
m
}，其中n是用户数量，m是项目数量，每个样本中的属性数量不相同。将每个用户(农产品)的特征都通过Embedding映射为一个d维的嵌入向量。用户集U的嵌入向量表示为f为用户的特征数量；项目集I的嵌入向量表示为a为项目的特征数量在用户图中将特征作为节点，特征间的联系作为边，当两个特征同时出现在一个样本中时定义为这两个特征是有联系的。利用用户
‑
商品的交互信息构建用户
‑
商品二部图。比如一样农产品可以有多个分类，当两个属性同时出现
在一个样本中，将定义为这两个属性是有联系的。以用户特征图为例，顶点集合为将用户特征作为节点构成的图表示为G
U
＝{V
U
,E
U
}，利用GNN的信息聚合和消息传递机制，学习每一个节点的向量。将原始数据处理好之后输入到GNN层中。用户特征交互图包含了用户各个特征之间的联系，对用户特征进行交叉运算可以更好地学习用户的向量表示。在GNN消息传递机制中邻居节点信息的聚合方法有求和、取平均和取最大值，这里采用取平均...

【专利技术属性】
技术研发人员：黄英来，冀宇超，黄鹤林，李宁，牛达伟，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：