【技术实现步骤摘要】
本申请涉及人工智能领域，尤其涉及一种商品推荐方法、模型训练方法、装置以及设备。
技术介绍
1、随着移动互联网技术的不断发展，越来越多的用户喜欢网络购物，为了提高用户对商品的点击率以及线上交易率，基于业务平台，向用户推荐用户所偏好的商品。
2、现有技术中，基于用户的历史浏览记录以及每一商品的信息，预测出用户对每一商品的偏好程度，并生成商品推荐列表展示给用户。
3、但是上述方式中，仅依靠用户的历史浏览记录进行商品推荐，所应用的数据维度较为单一，导致所推荐的商品出现重复推荐，或者所推荐的商品不符合当前用户的偏好，无法精准地向用户推荐商品，从而降低交易率。
技术实现思路
1、本申请提供一种商品推荐方法、模型训练方法、装置以及设备，用以解决因欧氏图卷积网络引入错误的交互数据等噪音数据时导致所得到的用户对商品的偏好情况不准确的问题。
2、第一方面，本申请提供一种商品推荐方法，所述方法包括：
3、获取各用户与各商品之间对应的二部图；并基于双曲正态分布函数，...
【技术保护点】
1.一种商品推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于双曲图卷积网络，对各所述用户的用户嵌入向量、所述二部图以及各所述商品的商品嵌入向量进行邻域聚合处理，得到各所述用户的用户特征向量以及各所述商品的商品特征向量，包括：
3.根据权利要求2所述的方法，其特征在于，基于所述双曲图卷积网络的L个图卷积层，根据所述二部图，对所述用户的用户嵌入向量、以及各所述商品的商品嵌入向量进行邻域聚合处理，得到所述用户的L个用户卷积向量；同时，基于所述L个图卷积层，根据所述二部图，对所述商品的商品嵌入向量以及各所述用户的用户...
【技术特征摘要】
1.一种商品推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于双曲图卷积网络，对各所述用户的用户嵌入向量、所述二部图以及各所述商品的商品嵌入向量进行邻域聚合处理，得到各所述用户的用户特征向量以及各所述商品的商品特征向量，包括：
3.根据权利要求2所述的方法，其特征在于，基于所述双曲图卷积网络的l个图卷积层，根据所述二部图，对所述用户的用户嵌入向量、以及各所述商品的商品嵌入向量进行邻域聚合处理，得到所述用户的l个用户卷积向量；同时，基于所述l个图卷积层，根据所述二部图，对所述商品的商品嵌入向量以及各所述用户的用户嵌入向量进行邻域聚合处理，得到所述商品的l个商品卷积向量，包括：
4.根据权利要求3所述的方法，其特征在于，第l+1个图卷积层对应的每一所述用户的用户卷积向量第l+1个图卷积层对应的每一所述商品的商品卷积向量
5.根据权利要求1所述的方法，其特征在于，所述双曲正态分布函数中的均值为零，并且所述双曲正态分布函数中的方差为σ2；其中，σ为所述双曲正态分布函数中的标准差。
6.根据权利要求1-5中任一项所述的方法，其特征在于，根据所述用户的用户特征向量、以及所述商品的商品特征向量，向所述用户进行商品推荐，包括：
7.一种应用于商品推荐的模型训练方法，其特征在于，所述方法包括：
8.根据权利要求7所述的方法，其特征在于，根据各所述用户嵌入向量、各所述商品嵌入向量、以及所述二部图，对初始模型进行训练处理，得到双曲图卷积网络，包括：
9.根据权利要求8所述的方法，其特征在于，根据各所述待训练用户的用户特征向量、以及各所述待训练商品的商品特征向量，确定损失函数，包括：
10.根据权利要求9所述的方法，其特征在于，根据各所述用户特征向量、各所述商品特征向量、各所述第一中间向量、各所述第二中间向量、各所述第三中间向量、以及各所述第四中间向量，确定所述损失函数，包括：
11.根据权利要求10所述的方法，其特征在于，所述间隔排序损失其中，eu为每一待训练用户u的用户特征向量，为包含全部待训练用户的集合，ei为每一待训练用户u中所偏好的每一待训练商品i的商品特征向量；为包含待训练用户u所偏好的所有的待训练商品的集合；ej为各个待训练商品中除中的待训练商品之外剩余的每一待训练商品j的商品特征向量；为在双曲空间中每一用户特征向量eu与每一商品特征向量ei之间的诱导距离...
【专利技术属性】
技术研发人员：刘砺志，佟志臣，蒋海俭，闵青，
申请(专利权)人：中国银联股份有限公司，
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。