【技术实现步骤摘要】
本专利技术涉及产品推荐，具体地说是一种基于多图卷积神经网络的用户个性化需求预测方法。
技术介绍
1、随着数字化进程的不断深入发展，数字化系统中产生了大量的用户和产品信息数据，如何利用这些数据资源不断提升服务质量与水平是一项重要任务。产品推荐作为个性化推荐系统领域的一项重要任务，其目标是通过算法提供适合用户的个性化产品组合，从而辅助用户的决策支持过程。传统推荐系统是一种信息检索和过滤机制，通过缓解互联网上信息过载、冷启动等问题，为用户提供个性化的推荐结果，被广泛的应用于电子商务、社交网络等领域中。其中的信息过载问题是不可忽视的，因为不断增长的用户和产品数量等信息对用户个性化需求预测和产品销售等都产生了影响，且不同产品的有效期和库存水平等也会影响到实际推荐效果。
2、随着人工智能与深度学习等信息技术的深度应用，深度学习技术因其在偏好表征学习上的优势而弥补了传统推荐算法的不足，尤其是图神经网络的出现为产品推荐算法提供了新的选择，在产品推荐方面得到了广泛关注。图神经网络通过对图数据中节点之间的消息传递来捕捉高阶邻居节点间的潜在联系，从而学习到更加精确地的节点表征，因此，不仅能发现用户产品的协同过滤模式，同时，还能够整合并学习多种实体之间的多阶关系。这类基于图神经网络的产品推荐方法中，仅利用当前用户产品交互信息进行推荐的方法由于忽略了很多重要的辅助信息，在推荐结果的准确性上存在限制；而利用用户或产品辅助信息对用户特征进行建模的推荐方法能够获得更好的结果准确性。很多复杂神经网络算法也捕获了更为深层的数据特征，考虑的因素包括完整的
技术实现思路
1、本专利技术为克服上述现有技术存在的不足之处，提出一种基于多图卷积神经网络的用户个性化需求预测方法，以期能更加准确地建模用户和产品的表征，并考虑产品的库存水平和有效期因素，从而能提高产品推荐系统的准确性和公平性。
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、本专利技术一种基于多图卷积神经网络的用户个性化需求预测方法的特点在于，包括以下步骤：
4、步骤1、利用用户描述文本信息构建用户关联矩阵r；
5、步骤2、利用用户产品交互信息构建用户产品关系矩阵q；
6、步骤3、利用产品描述文本构建产品关联矩阵s；
7、步骤4、构建产品推荐优化模型，将用户关联矩阵r、用户产品关系矩阵q和产品关联矩阵s输入所述产品推荐优化模型中进行处理，从而得到用户综合表征向量、产品综合表征向量以及用户对产品的预测偏好得分；
8、步骤5、利用贝叶斯个性化排序方法构建损失函数γ，使用adam优化器对产品推荐优化模型进行迭代优化并直至γ收敛，从而得到最优用户综合表征向量、最优产品综合表征向量以及用户对产品的最优预测偏好得分，用于实现产品的推荐。
9、本专利技术所述的一种基于多图卷积神经网络的用户个性化需求预测方法的特点也在于，所述步骤1包括如下过程：
10、步骤1.1、定义用户集合u＝{u1,u2,...,ui,...,uj,...,un}，其中，ui表示第i个用户，uj表示第j个用户，n表示用户数量；定义用户的描述文本集合a＝{a1,a2,...,ai,...,aj,...,an}，其中，ai表示第i个用户ui的描述文本，aj表示第j个用户uj的描述文本；
11、步骤1.2、利用doc2vec段落向量模型学习用户描述文本a的向量表征，从而得到用户描述文本集合a所对应的用户描述向量集合f(a)＝[f(a1),f(a2),...,f(ai),...,f(aj),...,f(an)]，其中，f(ai)表示第i个用户ui的描述文本ai对应的描述向量，f(aj)表示第j个用户uj的描述文本aj对应的描述向量；
12、步骤1.3、利用rcc鲁棒性连续聚类算法对用户描述向量集合f(a)进行聚类，得到若干个类，并将同一类中的描述向量所对应的用户之间视为相似用户，将不同类中的描述向量所对应的用户之间作为非相似用户，从而构建用户关联矩阵r；若第i个用户ui与第j个用户uj是相似用户，则令r中第i行第j列的元素rij＝1，反之，令rij＝0。
13、所述步骤2包括如下过程：
14、步骤2.1、定义产品集合v＝{v1,v2,...,vg,...,vh,...,vm}，其中，vg表示第g个产品，vh表示第h个产品，m表示产品数量；
15、步骤2.2、根据用户与产品之间的交互信息，构建用户产品关系矩阵q；若第i个用户ui的交互信息中包含第g个产品vg，则令q中第i行第g列的元素qig＝1，反之，令qig＝0。
16、所述步骤3包括如下过程：
17、步骤3.1、定义产品描述文本集合b＝{b1,b2,...,bg,...,bh,...,bm}，其中，bg表示第g个产品vg的描述文本，bh表示第h个产品vh的描述文本；
18、步骤3.2、利用doc2vec段落向量模型学习产品描述文本b的向量表征，从而得到产品描述文本集合b所对应的产品向量集合f(b)＝[f(b1),f(b2),...,f(bg),...,f(bh),...,f(bn)]，其中，f(bg)表示第g个产品vg的描述文本bg所对应的描述向量，f(bh)表示第h个产品vh的描述文本bh所对应的描述向量；
19、步骤3.3、利用rcc鲁棒性连续聚类算法对产品向量集合f(b)进行聚类，得到若干个类，并将同一类中的描述向量所对应的产品之间作为相似产品，将不同类中的描述向量所对应的产品之间作为非相似产品，从而构建产品关联矩阵s；若第g个产品vg与第h个产品vh是相似产品，则令s中第g行第h列的元素sgh＝1，反之，令sgh＝0。
20、所述步骤4包括如下过程：
21、步骤4.1、构建产品推荐优化模型，包括嵌入层、图卷积层、层结合层和预测层；
22、步骤4.2、所述嵌入层分别对用户集合u和产品集合v进行低维映射向量表示，相应得到用户集合u的嵌入矩阵为以及产品集合v的嵌入矩阵为其中，嵌入矩阵pu中的第i行向量记为第i个用户ui的初始嵌入向量嵌入矩阵pv中的第g行向量记为第g个产品vg的初始嵌入向量k表示向量维度；
23、步骤4.3、所述图卷积层包含d层卷积层，定义当前卷积层序本文档来自技高网...
【技术保护点】
1.一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤1包括如下过程：
3.如权利要求2所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤2包括如下过程：
4.如权利要求3所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤3包括如下过程：
5.如权利要求4所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤4包括如下过程：
6.如权利要求5所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤5包括如下过程：
7.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-6中任一所述用户个性化需求预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机
...【技术特征摘要】
1.一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤1包括如下过程：
3.如权利要求2所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤2包括如下过程：
4.如权利要求3所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特征在于，所述步骤3包括如下过程：
5.如权利要求4所述的一种基于多图卷积神经网络的用户个性化需求预测方法，其特...
【专利技术属性】
技术研发人员：贺菲菲，李亚光，杜亚楠，沈兴蓉，宋国强，
申请(专利权)人：安徽医科大学，
类型：发明
国别省市：
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。