【技术实现步骤摘要】
本专利技术属于电商推荐，具体涉及一种基于记忆更新与邻居传递的电商动态感知数据推荐方法。
技术介绍
1、随着互联网的普及，电商用户面临了大量信息的涌入，而电商用户在不同时间和上下文中对信息的需求不同，因此传统的静态列表或搜索结果不能满足他们的需求，如何深入分析与挖掘这些动态的感知数据成为了推荐系统与数据挖掘的交叉研究热点，对推荐系统与动态数据挖掘的研究方法大致如下：
2、推荐算法在数据预测上的研究：为了将“用户兴趣”转化为“个性化推荐”，用户行为数据的统计分析是推荐系统中的关键环节。国内外在推荐算法的处理和预测领域已经有了相当深入的研究，早期的方法使用基于协同过滤的方法，如协同过滤算法来分析用户与物品之间的交互行为，以提供推荐。但是最新研究更多地使用机器学习方法来预测用户兴趣，如结合用户特征和内容信息的协同过滤算法，使得电子商务网站可以更准确地预测用户的购买兴趣范围，从而提供个性化的推荐。举例来说，根据用户的历史点击和购买数据，建立用户兴趣预测模型，使用深度学习方法如神经协同过滤（ncf）来预测用户可能感兴趣的商品。这些方法能够追踪用户兴趣的趋势，提高个性化推荐的效果。
3、动态图数据预测研究上的研究：动态图数据的预测方法通常可以分为两大类：一是基于传统图算法和时间序列建模的方法；二是基于深度学习的方法，尤其是适用于图数据的深度学习技术。传统方法：早期的动态图数据预测方法主要依赖于基于图的算法和时间序列模型。其中，一种方法是使用时间序列建模，例如自回归综合移动平均值(arima)方法，以捕获动态图中的周期性
4、从以上研究来看，基于深度学习方法在电商动态感知数据预测中取得了较好成绩，但是在实际应用中单一的预测方法不能很好地捕捉电商动态感知数据的高阶特征。因此，通过深入分析动态时间序列数据特性，应用不同动态分析方法融合的复合模型进行预测分析是未来解决电商动态时间序列数据预测问题的趋势。
5、而现有技术方法的动态感知数据预测精度并不是很高，由于动态图模型的复杂依赖性，在进行图查询操作过程中，当层数过高时会面临过平滑及耗时过多的弊端。同时，lstm、gru等模型通常用于解决一般递归神经网络中普遍存在的长期依赖问题，在适用于动态图神经网络的过程中无法确保事件按照时间戳顺序到达，导致模型性能不稳定。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于记忆更新与邻居传递的电商动态感知数据推荐方法，采用记忆更新策略、时间戳编码策略、邻居传递策略和多头注意力机制等高效地获取邻居信息特征，并筛选出重要信息，提高了模型的执行效率和信息提取能力，进而更准确的向用户推荐可能感兴趣的商品。
2、本专利技术的技术方案如下：
3、一种基于记忆更新与邻居传递的电商动态感知数据推荐方法，包括如下步骤：
4、步骤1、从电商平台获取商品信息、价格、销量、评价、用户行为数据，构建电商动态感知数据集并进行预处理，得到时间序列数据集；
5、步骤2、将时间序列数据集输入记忆更新模块，进行节点信息的捕获、信息聚合和记忆更新；
6、步骤3、基于邻居传递模块获取邻居信息特征生成节点向量的邻居特征；
7、步骤4、基于多头注意力模块生成节点嵌入；
8、步骤5、采用多层感知机对获取到的节点嵌入进行解码，得到用户推荐感兴趣的商品并进行推荐。
9、进一步地，所述步骤1的具体过程为：
10、步骤1.1、通过电商平台提供的api接口获取商品信息、价格、销量、评价、用户行为数据，由这些数据构建得到电商动态感知数据集，电商动态感知数据集为图网络结构；其中，表示电商动态感知数据集中的用户节点，为用户节点序号；表示电商动态感知数据集中的商品节点，为商品节点序号；表示出现用户商品交互事件的当前时刻；表示用户商品交互事件的持续时间；为电商动态感知数据集中用户节点与商品节点之间连接的边；表示用户节点总数，表示商品节点总数；
11、步骤1.2、对电商动态感知数据集进行清洗，使用线性插值法填充缺失值；
12、步骤1.3、利用python中的numpy包对数据进行提取与排序，对边特征进行存储，最终得到数字信号处理后的时间序列数据集；其中，时间序列数据集为图网络结构；为时间序列数据集中的用户节点；为时间序列数据集中的商品节点；表示时间序列数据集中用户节点与商品节点之间连接的边，对应当前时刻用户商品交互事件。
13、进一步地，所述步骤2的具体过程为：
14、步骤2.1、通过节点信息捕获单位获取节点的初始信息，计算公式如下：
15、(1)；
16、(2)；
17、其中，、分别为用户节点、商品节点在当前时刻计算的消息；为可学习的消息函数多层感知机；表示用户商品交互事件的上一时刻；、分别为用户节点、商品节点上一时刻的记忆向量；
18、步骤2.2、通过信息聚合单元实现用户节点信息与商品节点信息的聚合，计算公式如下：
19、(3)；
20、(4)；
21、其中，、分别为用户节点、商品节点聚合后的消息； 、分别为用户节点、商品节点在时刻计算的消息；
22、步骤2.3、通过记忆更新单元实现用户节点和商品节点存储器的优化，计算公式如下：
23、(5)；
24、(6)；
25、其中，、分别为用户节点、商品节点的存储器；是可学习的存储器更新函数。
26、进一步地，所述步骤3的具体过程为：
27、步骤3.1、进行两阶邻居信息的传递，计算公式如下：
28、(7)；
29、(8)；
30、其中，、分别为当前时刻用户节点、商品节点的邻居信息；为更新函数；、分别为当前时刻通过、传递的节点嵌入；
31、步骤3.2、采用邻居生成函数进行向量列表存储，用于存储和传递邻居信息；具体过程为：
32、(9)；
33、(10)；
34、其中，、分别为当前时刻用户节点、商品节点第个邻居节点的特征信息；为邻居节点的总数；为总结用户节点或商品节点邻居的历史状态函数；、分别为上一时刻用户节点、商品节点的邻居特征；为平均策略；为衰减或映射函数；本文档来自技高网...
【技术保护点】
1.一种基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，所述步骤1的具体过程为：
3.根据权利要求2所述基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求3所述基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，所述步骤3的具体过程为：
5.根据权利要求4所述基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，所述步骤4的具体过程为：
6.根据权利要求5所述基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，所述步骤5的具体过程为：
【技术特征摘要】
1.一种基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，所述步骤1的具体过程为：
3.根据权利要求2所述基于记忆更新与邻居传递的电商动态感知数据推荐方法，其特征在于，所述步骤2的具体过程为：
4.根...
【专利技术属性】
技术研发人员：李超，刘润硕，赵中英，付金虎，朱祥凯，段华，曾庆田，
申请(专利权)人：山东科技大学，
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。