【技术实现步骤摘要】
本专利技术涉及表示学习社区发现，尤其是一种基于对比学习和社区感知的商品推荐系统及方法。
技术介绍
1、随着科技的迅猛发展和网络的普及，人们的社交和购物等行为也逐渐转为线上。现实世界中的人、事、物及其联系可以抽象为复杂网络。社区结构特性是复杂网络的一个重要的特性。社区结构是指由联系紧密、互动频繁且相似性较高的个体构成的群体组织，社区内部连接紧密，社区之间连接稀疏。研究社交结构可以帮助我们识别出具有类似兴趣、职业等特征的用户群体，帮助企业更好的了解用户偏好，为其提供更加个性化的服务和商品，提高用户满意度。目前基于表示学习社区发现的商品推荐方法的研究和技术仍然存在着以下不足：随机的数据增强策略可能会干扰甚至破坏图中的关键社区结构，导致社区发现精度下降，进而影响商品推荐的准确度。
技术实现思路
1、本专利技术提出一种基于对比学习和社区感知的商品推荐系统及方法，能在提升所生成的社区结构的内聚性的情况下，提高最终个性化商品推荐的精确度，进而提高用户满意度和商品销量，具体较好的价值。
2、本专利技术采用以下技术方案。
3、一种基于对比学习和社区感知的商品推荐系统，用于结合社区发现结果进行商品推荐，来帮助企业更有效和准确地获取用户的喜好、兴趣和需求信息，提供更加个性化的服务和商品；所述系统包括以下步骤；
4、首先、设计自适应图增强策略，在对原始图进行数据增强时，考虑节点和边的重要性，保留重要性高的边和节点属性，同时，还要求增强后的图与原始图具有大的差异，防止模型
5、其次，采用基于图神经网络和多层感知机的编码器来生成原始图和增强图的表示向量；
6、再次，设计基于节点相对距离的对比对选择策略，为每个节点选择与其相对距离最近的多个节点作为其正样本，再将其余节点作为负样本，以保证所生成的社区结构具有较高的内聚性；
7、从次，使用聚类算法将学习得到的节点表示向量划分为社区；
8、最后，基于得到的社区划分结果，获取用户的喜好、兴趣和需求信息，进行社区内和跨社区的商品推荐，向用户提供更加个性化的服务。
9、一种基于对比学习和社区感知的商品推荐系统，包括自适应图数据增强模块、表示向量生成模块、对比对选择模块、损失函数计算模块、社区生成模块和商品推荐模块；
10、所述自适应图数据增强模块，用于生成与原始图g差异较大的增强图g′；其以考虑节点重要性的数据增强策略来避免在数据增强过程中破坏图中的社区结构；其对原始图进行拓扑级别的数据增强以移除社交网络中不重要的边，和属性级别的数据增强以屏蔽社交网络中不重要的节点的属性；同时要求增强后的图与原始图有较大的差异，避免模型陷入局部最优；
11、所述表示向量生成模块，用于对原始图g和增强图g′进行编码；使用图卷积神经gcn和多层感知机mlp组成的编码器对原始图和增强图编码，分别得到节点表示向量z和z′；
12、所述对比对选择模块，用于选择有利于提高社区发现精度和使社区边界更加清晰的正样本和负样本；将与目标节点相对距离最近的多个节点作为其正样本，其余节点作为负样本；其中，节点相对距离由拓扑距离和属性距离组成；
13、所述损失函数计算模块，用于计算对比损失并通过反向传播优化gcn和mlp的参数；其中对比损失由原始图g中节点u的损失和增强图g′中节点u′的损失组成；
14、所述社区生成模块，用于生成社区；使用kmeans聚类算法对编码器所学习到的节点表示向量z进行聚类，得到社区划分结果{ci}；
15、所述商品推荐模块，用于根据得到的社区划分结果对用户进行个性化商品推荐；其能够向用户推荐同一社区内其他用户喜爱的商品，还能推荐该社区内的热门商品，亦能向用户推荐关联性强的其他社区中的相关商品。
16、一种基于对比学习和社区感知的商品推荐方法，采用基于对比学习和社区感知的商品推荐系统，包括以下步骤；
17、步骤s1：根据用户的社交记录构建社交网络g＝{v，e，a，x}，其中，v＝{v1，v2，…，vn}是社交网络的节点集，e表示社交网络的边集，eij＝(vi，vj)∈e表示节点vi和节点vj之间存在边；矩阵是网络的邻接矩阵，当eij∈e时，aij＝1，否则aij＝0。是社交网络中节点的属性矩阵，m是节点属性的维度，xij表示节点i的第j维属性的值；
18、步骤s2：对输入图g分别进行拓扑级别的数据增强和属性级别的数据增强，同时要求增强后的图与原始图存在大的差异，最终得到增强图g′；
19、步骤s3：通过一对由图卷积神经gcn和多层感知机mlp组成的编码器，分别生成原始图g和增强图g′的节点表示向量z和z′；
20、步骤s4：计算原始图g节点间的相对距离，根据计算结果，为每个节点选择相对距离最近的多个节点作为其正样本集，将其余节点作为负样本集；
21、步骤s5：根据选择的正样本集和负样本集，计算对比损失并通过反向传播优化gcn和mlp的参数；
22、步骤s6：使用kmeans聚类算法对编码器所学习到的节点表示向量z进行聚类，将聚类产生的簇作为社区，以生成社区划分结果{ci}；
23、步骤s7：结合社区发现结果提供商品推荐服务，包括推荐同一社区内其他用户感兴趣的商品和关联性强的其他社区中的热门商品，进而使商品生产企业进一步了解目标用户的需求，实现更加精准的商品推荐。
24、步骤s2具体为：
25、步骤s21：对图g进行拓扑级别的数据增强；根据下述公式(1)从原始边集e中采样重要性较高的节点的边，形成增强后图的边集e′；
26、
27、其中，是采样边(u，v)的概率，由边的重要性决定，根据公式(2)和公式(3)进行计算；
28、
29、
30、其中，为节点v的度中心性，大小等于节点的度数，即为边(u，v)的重要性，大小等于它所连接的两个节点的重要性的平均值；是图中所有边的重要性的最大值，η1是用于控制边移除概率的系数，是人工指定的参数；
31、步骤s22：得到步骤s21采样的边子集e′之后，将其转换为邻接矩阵a′用于后续流程；
32、步骤s23：对图g进行属性级别的数据增强。首先，对图g中的每个节点u，根据下述公式(4)，从伯努利分布中以的概率采样一个值，所有采样出来的值形成一个n维的向量b∈{0，1}n，即n为图g的节点数量；
33、
34、是保留节点u的属性的概率，重要性高的节点被保留的概率更高。是节点u的重要性，是图中所有节点的重要性的最大值，η2是用于控制节点属性的掩盖概率的系数，是人工指定的参数；
35、步骤s24：基于步骤s23得到的向量b和原始特征矩阵x，根据公式(5)，计算增强后的属性矩阵x′；
36、x′＝diag(b)·x 公式(5)
37、其中，diag(·)表示将一本文档来自技高网...
【技术保护点】
1.一种基于对比学习和社区感知的商品推荐系统，用于结合社区发现结果进行商品推荐，来帮助企业更有效和准确地获取用户的喜好、兴趣和需求信息，提供更加个性化的服务和商品；其特征在于：所述系统包括以下步骤；
2.根据权利要求1所述的一种基于对比学习和社区感知的商品推荐系统，其特征在于：包括自适应图数据增强模块、表示向量生成模块、对比对选择模块、损失函数计算模块、社区生成模块和商品推荐模块；
3.一种基于对比学习和社区感知的商品推荐方法，采用基于对比学习和社区感知的商品推荐系统，其特征在于：包括以下步骤；
4.根据权利要求3所述的一种基于对比学习和社区感知的商品推荐方法，其特征在于：步骤S2具体为：
5.根据权利要求3所述的一种基于对比学习和社区感知的商品推荐方法，其特征在于：所述步骤S3具体为：
6.根据权利要求3所述的一种基于对比学习和社区感知的商品推荐方法，其特征在于：所述步骤S4具体为：
7.根据权利要求3所述的一种基于对比学习和社区感知的商品推荐方法，其特征在于：所述步骤S5具体为：
8.根据权利
9.根据权利要求3所述的一种基于对比学习和社区感知的商品推荐方法，其特征在于：所述步骤S7具体为：
...【技术特征摘要】
1.一种基于对比学习和社区感知的商品推荐系统，用于结合社区发现结果进行商品推荐，来帮助企业更有效和准确地获取用户的喜好、兴趣和需求信息，提供更加个性化的服务和商品；其特征在于：所述系统包括以下步骤；
2.根据权利要求1所述的一种基于对比学习和社区感知的商品推荐系统，其特征在于：包括自适应图数据增强模块、表示向量生成模块、对比对选择模块、损失函数计算模块、社区生成模块和商品推荐模块；
3.一种基于对比学习和社区感知的商品推荐方法，采用基于对比学习和社区感知的商品推荐系统，其特征在于：包括以下步骤；
4.根据权利要求3所述的一种基于对比学习和社区感知的商品推...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。