基于知识图谱深度学习的电子商务推荐方法及系统技术方案

本发明专利技术实施例涉及电子商务技术领域，公开了一种基于知识图谱深度学习的电子商务推荐方法，包括：接收应用接口端传输的浏览信息；将浏览信息发送至预先构建完成的商品关系图谱模型来进行实体关系抽取以得到顾客商品交互矩阵；将浏览信息、顾客商品交互矩阵和商品关系图谱模型传输至推荐算法模型来进行推荐识别以确定相应顾客的商品推荐结果。本发明专利技术实施例推荐方法通过对知识图谱和浏览日志进行深度学习，输出反映顾客浏览偏好的推荐结果；应用接口模块则接受上层应用的对推荐结果的检索，实现推荐应用的集成；本实施例的推荐方法能捕获顾客对商品的偏好特征，支持个性化商品推荐，提升顾客对电子商务平台的商品浏览效率。率。率。

【技术实现步骤摘要】
基于知识图谱深度学习的电子商务推荐方法及系统


[0001]本专利技术涉及电子商务
，具体涉及一种基于知识图谱深度学习的电子商务推荐方法及系统。

技术介绍

[0002]目前，纺织品电子商务平台属于行业电商平台，多采用线上展览与线下交易相结合的B2B电商模式，商品种类繁多，顾客数量庞大。为了提升顾客的浏览效率和体验，需要开发一个商品推荐系统，根据顾客的偏好为其主动推荐商品。现有的推荐系统一般都是基于注册用户来进行组合推荐，但是在纺织品电子商务平台中顾客以未注册游客为主，其评价和交易记录稀缺，其偏好表现局限于浏览记录。这就为推荐系统的构建带来了顾客难标识、偏好特征难提取和推荐性能难保障等挑战。因此，设计一种能够提升推荐准确率的方案成为本领域技术人员亟待解决的技术问题。

技术实现思路

[0003]针对所述缺陷，本专利技术实施例公开了一种基于知识图谱深度学习的电子商务推荐方法，其能够及时捕获顾客对商品的偏好特征，支持基于地址信息的个性化推荐，提升顾客对电子商务平台的商品浏览效率。
[0004]本专利技术实施例第一方面公开了基于知识图谱深度学习的电子商务推荐方法，包括：
[0005]接收应用接口端传输的浏览信息，所述浏览信息为相应用户电子商务平台处的操作内容，其中，所述浏览信息包括商品信息和浏览日志；所述浏览日志包括浏览器ip地址信息；并基于所述浏览器ip地址信息确定顾客信息；
[0006]将所述浏览信息发送至预先构建完成的商品关系图谱模型来进行实体关系抽取以得到顾客商品交互矩阵；在所述商品关系图谱模型中采用资源描述框架来对商品属性关系和商品归属关系进行描述，所述商品属性关系被表述为商品编号、属性关系和属性值编号的三元组形式，所述商品归属关系被表述为商品编号、归属于和店铺编号的三元组形式；
[0007]将所述浏览信息、顾客商品交互矩阵和商品关系图谱模型传输至推荐算法模型来进行推荐识别以确定相应顾客的商品推荐结果。
[0008]作为一种可选的实施方式，在本专利技术实施例第一方面中，在所述接收应用接口端传输的浏览信息之后，还包括：
[0009]对所述浏览信息进行数据清洗操作以对浏览日志中的非商品浏览记录以及商品字段缺失浏览记录进行过滤操作；
[0010]对经过过滤操作的浏览信息进行有效性判断，当对一顾客对同一商品的浏览次数或者浏览时间超过第一设定值时，则确定该商品对顾客有效，否则对相应的浏览信息进行过滤。
[0011]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述商品关系图谱模型
通过如下步骤构建完成：
[0012]获取相应电子商务平台处的商品属性信息；
[0013]从所述商品属性信息中提取多个商品实体、商品属性以及店铺实体，并确定所述多个商品实体之间、商品实体与店铺实体之间以及商品实体与商品属性之间的关系；
[0014]基于多个商品实体之间、商品实体与店铺实体之间以及商品实体与商品属性之间的关系构建商品关系图谱模型。
[0015]作为一种可选的实施方式，在本专利技术实施例第一方面中，在从所述商品属性信息中提取多个商品实体、商品属性以及店铺实体之后，还包括：
[0016]从历史浏览信息中基于顾客商品的浏览关系以确定商品之间的浏览邻接关系；所述浏览邻接关系为在一个会话周期内若浏览多个商品，则多个商品之间互为浏览邻接关系；
[0017]当互为浏览邻接关系次数达到第二设定值时，则确定该商品之间存在浏览邻接关系。
[0018]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述商品关系图谱模型还包括如下步骤：
[0019]若当前商品推荐图谱构建过程不是首次商品关系图谱模型构建过程，则将所述多个商品实体和所述多个商品实体之间的关系融合至上一商品关系图谱模型中以得到当前商品关系图谱模型的多个商品实体以及多个商品实体之间的关系。
[0020]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述推荐算法模型包括预测函数模型，所述预测函数模型通过如下步骤构建得到：
[0021]基于浏览日志L将顾客
‑
商品交互集(u，i)划分为交互正集和交互负集如果浏览日志L中存在顾客u对商品i的访问记录，则确定否则其形式化表示如下：
[0022][0023][0024]将所述交互正集交互负集商品浏览邻接图谱NG、商品知识图谱KG输入至预先构建的预测函数公式来进行预测以得到相应的预测结果；所述预测函数公式为：
[0025][0026]其中，表示的预测评分，f表示预测函数，u为顾客信息，U为顾客矩阵，且U＝{u1，u2，...，um}，i为商品信息，I为商品矩阵，且I＝{i1，i2，...，in}。
[0027]作为一种可选的实施方式，在本专利技术实施例第一方面中，在所述将所述浏览信息发送至预先构建完成的商品关系图谱模型来进行实体关系抽取以得到顾客商品交互矩阵之后，还包括：
[0028]将所述浏览信息与商品关系图谱KG进行结合，并采用KGIN算法来进行顾客
‑
商品交互个体的意图提取以得到相应的个体意图特征；
[0029]将访问日志L与商品浏览邻接图谱NG相结合，采用图聚合运算进行群体的顾客
‑
商品交互群体意图提取以得到相应的群体意图特征；
[0030]采用注意力机制将所述个体意图特征和群体意图特征进行特征融合以形成融合
特征，并根据所述融合特征评估顾客对商品的兴趣评分。
[0031]作为一种可选的实施方式，在本专利技术实施例第一方面中，所述将所述浏览信息与商品关系图谱模型进行结合，并采用KGIN算法来进行顾客
‑
商品交互个体的意图提取以得到相应的个体意图集合，包括：
[0032]将获取到的顾客
‑
商品组(u，i)分解为意图集C＝{(u，p，i)|p∈P}；将原有的顾客交互记录重组为意图图IG；
[0033]采用KGIN算法将意图与商品关系图谱KG进行关联，将顾客的意图p定义为知识图谱中不同关系的非线性组合，该意图的嵌入式表示为：
[0034][0035]其中，e
r
是关系r的初始表示向量，将关系r赋予注意力分数α(r，p)来量化其重要性，w
rp
是特定关系r和特定意图p的可训练权重，是d维随机初始的向量，w
r
′
p
表示同关系下其它的意图权重；
[0036]在意图图IG中，使用N
u
＝{(p，i)|(u，p，i)∈C}来表示顾客u周围的意图感知历史和一阶连通性，通过嵌入公式来用历史的意图感知信息整合表示顾客的嵌入表示：
[0037][0038]式中，是顾客u的KGIN一阶路径聚合的特征表示，
⊙
表示点积运算，β(u，p)则是区分个体顾客意图的权重，e
pT
表示e
p
的转置向量，exp表示指数运算，e
p...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱深度学习的电子商务推荐方法，其特征在于，包括：接收应用接口端传输的浏览信息，所述浏览信息为相应用户电子商务平台处的操作内容，其中，所述浏览信息包括商品信息和浏览日志；所述浏览日志包括浏览器ip地址信息；并基于所述浏览器ip地址信息确定顾客信息；将所述浏览信息发送至预先构建完成的商品关系图谱模型来进行实体关系抽取以得到顾客商品交互矩阵；在所述商品关系图谱模型中采用资源描述框架来对商品属性关系和商品归属关系进行描述，所述商品属性关系被表述为商品编号、属性关系和属性值编号的三元组形式，所述商品归属关系被表述为商品编号、归属于和店铺编号的三元组形式；将所述浏览信息、顾客商品交互矩阵和商品关系图谱模型传输至推荐算法模型来进行推荐识别以确定相应顾客的商品推荐结果。2.如权利要求1所述的基于知识图谱深度学习的电子商务推荐方法，其特征在于，所述推荐算法模型包括预测函数模型，所述预测函数模型通过如下步骤构建得到：基于浏览日志L将顾客
‑
商品交互集(u，i)划分为交互正集和交互负集如果浏览日志L中存在顾客u对商品i的访问记录，则确定否则其形式化表示如下：如下：将所述交互正集交互负集商品浏览邻接图谱NG、商品知识图谱KG输入至预先构建的预测函数公式来进行预测以得到相应的预测结果；所述预测函数公式为：其中，表示的预测评分，f表示预测函数，u为顾客信息，U为顾客矩阵，且U＝{u1,u2,
…
,um}，i为商品信息，I为商品矩阵，且I＝{i1,i2,
…
,in}。3.如权利要求1所述的基于知识图谱深度学习的电子商务推荐方法，其特征在于，在所述将所述浏览信息发送至预先构建完成的商品关系图谱模型来进行实体关系抽取以得到顾客商品交互矩阵之后，还包括：将所述浏览信息与商品关系图谱KG进行结合，并采用KGIN算法来进行顾客
‑
商品交互个体的意图提取以得到相应的个体意图特征；将访问日志L与商品浏览邻接图谱NG相结合，采用图聚合运算进行群体的顾客
‑
商品交互群体意图提取以得到相应的群体意图特征；采用注意力机制将所述个体意图特征和群体意图特征进行特征融合以形成融合特征，并根据所述融合特征评估顾客对商品的兴趣评分。4.如权利要求3所述的基于知识图谱深度学习的电子商务推荐方法，其特征在于，所述将所述浏览信息与商品关系图谱模型进行结合，并采用KGIN算法来进行顾客
‑
商品交互个体的意图提取以得到相应的个体意图集合，包括：将获取到的顾客
‑
商品组(u，i)分解为意图集C＝{(u,p,i)|p∈P}；将原有的顾客交互记录重组为意图图IG；采用KGIN算法将意图与商品关系图谱KG进行关联，将顾客的意图p定义为知识图谱中
不同关系的非线性组合，该意图的嵌入式表示为：其中，e
r
是关系r的初始表示向量，将关系r赋予注意力分数α(r,p)来量化其重要性，w
rp
是特定关系r和特定意图p的可训练权重，是d维随机初始的向量，w
r
′
p
表示同关系下其它的意图权重；在意图图IG中，使用N
u
＝{(,i)|(,p,i)∈C}来表示顾客u周围的意图感知历史和一阶连通性，通过嵌入公式来用历史的意图感知信息整合表示顾客的嵌入表示：式中，是顾客u的KGIN一阶路径聚合的特征表示，
⊙
表示点积运算，β(u,p)则是区分个体顾客意图的权重，e
pT
表示e
p
的转置向量，exp表示指数运算，e
p
′
T
表示其它意图向量的转置；KGIN算法采用基于关系和节点的特征聚合方式以得到商品i的特征聚合KGIN算法采用基于关系和节点的特征聚合方式以得到商品i的特征聚合其中，N
i
是以商品i为头实体相关联的三元组集合，则是商品i对应的尾实体v嵌入表示，重复上述步骤获得更深层的信息表示，将每层信息采用多层聚合从而获得更广阔的感受野，获得KGIN的最终商品和顾客特征表示如下：受野，获得KGIN的最终商品和顾客特征表示如下：式中，Q为聚合层数；所述将访问日志L与商品浏览邻接图谱NG相结合，采用图聚合运算进行群体的顾客
‑
商品交互群体意图提...

【专利技术属性】
技术研发人员：郭志勇，
申请(专利权)人：广州科拓科技有限公司，
类型：发明
国别省市：