基于图神经网络的购物行为预测方法、系统、存储介质及终端技术方案

本发明专利技术涉及推荐系统领域，尤其涉及一种基于图神经网络的购物行为预测方法、系统、存储介质及终端。其方法包括以下步骤：顾客图与商品图的构建：对顾客和商品特点进行初始描述，并将顾客数据转变成三元向量的形式，对于生成的三元向量，以三元向量中的第一个元素和第三个元素为图结构中的节点，第二个元素则充当连接两个节点的边，通过节点和边的相连，分别构建起顾客图结构与商品图结构；图特征信息采集；顾客和商品信息聚合。本发明专利技术可以更好地利用用户和商品之间的复杂关系，充分挖掘潜在的用户兴趣和商品相关性，从而为用户提供更准确、个性化的购物推荐体验。个性化的购物推荐体验。个性化的购物推荐体验。

【技术实现步骤摘要】
基于图神经网络的购物行为预测方法、系统、存储介质及终端


[0001]本专利技术涉及推荐系统领域，尤其涉及一种基于图神经网络的购物行为预测方法、系统、存储介质及终端。

技术介绍

[0002]首先，早期的研究主要集中在传统的推荐系统方法，如协同过滤和内容过滤。这些方法在购物行为分析中忽视了用户和商品之间的复杂关系，无法充分挖掘潜在的用户兴趣和商品相关性。随后，随着图神经网络的兴起，研究者开始将其引入购物行为分析中。图神经网络提供了一种新的方法，可以更好地建模和分析用户和商品之间的关系网络。通过学习节点和边的表示，图神经网络可以捕捉图中的复杂关系和潜在模式，从而提高购物推荐的准确性和个性化程度。近年来，随着深度学习技术的快速发展，图神经网络在购物行为分析中得到了广泛应用。深度学习的优势在于它可以自动学习特征表示，并能够处理大规模和复杂的数据。利用深度学习训练的图神经网络模型，可以有效地学习用户和商品的表示，从而更好地理解和预测用户的购物行为。当前，研究者们正在进一步探索图神经网络在购物行为分析中的应用。他们不断改进模型结构和算法，引入注意力机制、图卷积等技术，以提高模型的性能和效率。同时，还将购物行为分析与其他领域的技术相结合，如自然语言处理、时序数据分析等，以实现更全面和准确的购物推荐。
[0003]综上所述，利用图神经网络分析购物行为的技术发展经历了从传统推荐系统到图神经网络的引入，并结合深度学习等技术的不断发展。这一技术的发展为购物推荐提供了更准确和个性化的解决方案，并有望在未来进一步推动购物行为分析领域的发展。

技术实现思路

[0004]本专利技术针对现有技术的不足，研制一种基于图神经网络的购物行为预测方法、系统、存储介质及终端，利用图神经网络对购物信息进行分析，便于经营者分析购物信息，更好的经营店铺。
[0005]本专利技术解决技术问题的技术方案为：一方面，本专利技术提供了一种基于图神经网络的购物行为预测方法。
[0006]基于图神经网络的购物行为预测方法，包括
[0007]S1.顾客图与商品图的构建：
[0008]对顾客和商品特点进行初始描述，并将顾客数据转变成三元向量的形式，对于生成的三元向量，以三元向量中的第一个元素和第三个元素为图结构中的节点，第二个元素则充当连接两个节点的边，通过节点和边的相连，分别构建起顾客图结构与商品图结构；
[0009]S2.图特征信息采集:
[0010]用图结构对顾客和商品的特征信息进行提取细节信息提取，发掘特征信息中的关键信息；
[0011]S3.顾客和商品信息聚合：
[0012]通过对更新完成的图结构进行聚合操作，然后预测顾客对商品的购买概率。
[0013]上述的一种基于图神经网络的购物行为预测方法基础上，S2.具体如下：
[0014]1)图结构中ab边的原始特征向量计算公式如下：n
a
是图结构中a节点的原始表示向量，e
ab
是ab边的原始表示向量，con(n
a
，e
ab
)是对节点和边的原始表示向量进行同尺度拼接，拼接过后的到的向量的尺度为d
c
，d
c
的具体值是由n
a
和e
ab
各自的尺度的值相加得到，W
c
是转置矩阵，矩阵的尺度为d
×
d
c
，d的数值与最终模型需要输出的向量的尺度相同，σ代表激活函数Relu；
[0015]2)ab边接收的特征信息的公式如下：
[0016]是第t+1次循环中边ab接收的特征信息，{N(a)\b}表示当前的集合是不包括节点b的所有与节点a相邻的节点的集合，是通过第t次循环得到的边ka的特征信息；是对括号内的三个向量进行同尺度拼接，拼接过后得到的向量尺度为d
o
，其数值由n
a
、n
c
、的向量尺度相加得到；W
o
是转置矩阵，尺度为d
×
d
o
，矩阵尺度d由模型输出需要来进行调整；σ代表激活函数Relu；
[0017]3)将边ab在上一次循环中的得到的特征信息更新为在本次循环中得到的特征信息W
n
是学习矩阵，矩阵尺度为d
×
d，d的具体值根据模型输出设定进行调整，σ代表激活函数Relu；
[0018]4)在经过T次循环后，获得了边ab特征信息
[0019]上述的一种基于图神经网络的购物行为预测方法基础上，S3.具体如下：
[0020]1)利用顾客—商品关系矩阵W对顾客图结构G
L
和商品图结构G
L
进行处理，获知顾客b购买了商品4。选取顾客b的节点信息，商品4的节点信息，及与两个节点各自相连的边信息参与到聚合操作当中；
[0021]2)聚合操作：
[0022]a.计算顾客关系分数与商品关系分数，公式如下：
[0023][0024]代表归一化的顾客分数，代表归一化的商品分数，N(V)代表的是商品图G
V
，函数h(.)是计算向量的内积；
[0025]c.计算最终的每个顾客与每个商品最终的表示向量L
V
和V
L
；具体公式如下：
[0026][0027]x
n
代表对应节点的初始表示信息；
[0028]3)计算顾客L对商品V的购买概率，具体公式如下：
[0029]V
LV
＝(L
V
，V
L
)。
[0030]另一方面，本专利技术提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于图神经网络的购物行为预测方法。
[0031]还有一方面，本专利技术还提供了一种终端，其特征是，包括：处理器及存储器；存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行基于图神经网络的购物行为预测方法。
[0032]
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案具有如下优点或有益效果：
[0033]本专利技术基于图神经网络的购物行为预测方法、系统、存储介质及终端顾客图与商品图的构建、图特征信息采集及顾客和商品信息聚合，可以分析预测顾客对商品的购买概率，可以更好地利用用户和商品之间的复杂关系，充分挖掘潜在的用户兴趣和商品相关性，从而为用户提供更准确、个性化的购物推荐体验。
附图说明
[0034]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0035]图1为本专利技术的图结构示意图；
[0036]图2为本专利技术的信息采集流程图；
[0037]图3为本专利技术的聚合操作流程图。
具体实施方式
[0038]以下通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的购物行为预测方法，其特征是，包括以下步骤：S1.顾客图与商品图的构建：对顾客和商品特点进行初始描述，并将顾客数据转变成三元向量的形式，对于生成的三元向量，以三元向量中的第一个元素和第三个元素为图结构中的节点，第二个元素则充当连接两个节点的边，通过节点和边的相连，分别构建起顾客图结构与商品图结构；S2.图特征信息采集：用图结构对顾客和商品的特征信息进行细节信息提取，发掘特征信息中的关键信息；S3.顾客和商品信息聚合：通过对更新完成的图结构进行聚合操作，然后预测顾客对商品的购买概率。2.根据权利要求1所述的一种基于图神经网络的购物行为预测方法，其特征是，S2.具体如下：1)图结构中ab边的原始特征向量计算公式如下：n
a
是图结构中a节点的原始表示向量，e
ab
是ab边的原始表示向量，con(n
a
，e
ab
)是对节点和边的原始表示向量进行同尺度拼接，拼接过后的到的向量的尺度为d
c
，d
c
的具体值是由n
a
和e
ab
各自的尺度的值相加得到，W
c
是转置矩阵，矩阵的尺度为d
×
d
c
，d的数值与最终模型需要输出的向量的尺度相同，σ代表激活函数Relu；2)ab边接收的特征信息的公式如下：2)ab边接收的特征信息的公式如下：是第t+1次循环中边ab接收的特征信息，{N(a)\b}表示当前的集合是不包括节点b的所有与节点a相邻的节点的集合，是通过第t次循环得到的边ka的特征信息；是对括号内的三个向量进行同尺度拼接，拼接过后得到的向量尺度为d
o
，其数值由n
a
、n
c
、的向量尺度相加得到；W
o
是转置矩阵，尺度为d
×
d
o
，矩阵...

【专利技术属性】
技术研发人员：谢馥聪，
申请(专利权)人：山东睿政信息科技有限公司，
类型：发明
国别省市：