【技术实现步骤摘要】
本专利技术涉及数据处理，特别是涉及一种基于超图双卷积图神经网络的捆绑包推荐方法及装置。
技术介绍
1、捆绑包是一种常见的销售方式，通过将多个具有一定联系的商品组合成为捆绑包进行售卖，常见的捆绑包有音乐专辑、书单和游戏及附加内容。捆绑包推荐的精度对于在线服务平台业务开展和用户体验非常重要。
2、捆绑包推荐任务可以根据技术方法分为基于非图结构的捆绑包推荐方法和基于图的捆绑包推荐方法两种主要类型。基于非图结构的捆绑包推荐方法的重点是关注如何解耦用户、商品和捆绑包间的复杂关系，并从中挖掘出信息来提高推荐的准确度。例如，使用具有多个代理的马尔可夫决策过程、transformer或者注意力机制来解耦用户、商品和捆绑包间的关系并进行推荐。基于图的捆绑包推荐方法是选择用图结构来表示用户、商品和捆绑包间的关系，将捆绑包推荐转化为图上的链接预测问题。
3、现有的基于图的捆绑包推荐方法中，有采用两个异构图来表达用户、商品和捆绑包三元关系，并采用gcn来学习用户和捆绑包表示的方法，这种方法简化了三元关系，将捆绑包推荐概述为从用户到捆绑包以及从用户到商品到捆绑包的两条路径，拉长了信息传输路径，因此会带来信息损失，致使捆绑包推荐准确度降低；此外，虽然还有将用户、商品和捆绑包三元关系构建成统一超图，并使用图卷积神经网络来学习用户和捆绑表示的方法，但是现有的这种方法超图构建并不全面，没有充分强调商品在捆绑包推荐中的作用，也没有关注到用户或捆绑包自我联系，因此这种方法也会致使捆绑包推荐准确度降低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种基于超图双卷积图神经网络的捆绑包推荐方法及装置，采用超图双卷积神经网络利用充分强调商品并关注到用户或捆绑包自我联系的完整超图进行捆绑包推荐，提升了推荐准确率。
2、第一方面，本专利技术提供了一种基于超图双卷积图神经网络的捆绑包推荐方法，包括以下步骤：
3、根据用户、捆绑包与商品三者之间的交互记录生成完整超图，完整超图包含用户、商品和捆绑包之间的交互联系以及用户或捆绑包的交互联系；
4、随机初始化生成初始总嵌入向量矩阵；
5、将初始总嵌入向量矩阵与完整超图进行图卷积计算获得第一学习信息，将第一学习信息与用户捆绑包交互图进行图卷积计算获得第二学习信息，组合第一学习信息和第二学习信息构成更新总嵌入向量矩阵；
6、将更新总嵌入向量矩阵作为新的初始总嵌入向量矩阵并返回将初始总嵌入向量矩阵输入完整超图获得第一学习信息的步骤，直至更新次数达到预设轮次，进入下一步骤；
7、根据最后一轮次获得的更新总嵌入向量矩阵加权计算用户和捆绑包的最终嵌入向量矩阵；
8、将用户的最终嵌入向量矩阵和捆绑包的最终嵌入向量矩阵进行点积计算获得每个用户的捆绑包推荐分数，将每个用户的捆绑包推荐分数进行排序获得每个用户的捆绑包推荐序列。
9、在其中一个实施例中，完整超图中商品与商品的交互部分图为零矩阵；
10、用户与用户的交互部分图中主对角线元素为1，若相交互的两个用户同购买过捆绑包的数量大于n，则交互关系对应元素值为1，否则为0；
11、捆绑包与捆绑包的交互部分图中主对角线元素为1，若相交互的两个捆绑包同时被购买的次数大于n，则交互关系对应元素值为1，否则为0；
12、用户与捆绑包的交互分布图、商品与捆绑包的交互部分图和用户与商品的交互部分图中，若交互关系存在，则交互关系对应元素值为1，否则为0。
13、在其中一个实施例中，将初始总嵌入向量矩阵与完整超图进行图卷积计算获得第一学习信息，将第一学习信息与用户捆绑包交互图进行图卷积计算获得第二学习信息，组合第一学习信息和第二学习信息构成更新总嵌入向量矩阵包括：
14、将初始总嵌入向量矩阵的每一层与完整超图进行图卷积计算获得每一层的第一学习信息；
15、将每一层的第一学习信息与用户捆绑包交互图进行图卷积计算获得每一层的第二学习信息；
16、将同一层对应的第一学习信息和第二学习信息进行组合计算构成当前层的更新嵌入向量矩阵；
17、将所有层的更新嵌入向量组合构成更新总嵌入向量矩阵。
18、在其中一个实施例中，将同一层对应的第一学习信息和第二学习信息进行组合计算构成当前层的更新嵌入向量矩阵的计算式为
19、
20、式中，h是超图，h是用户捆绑包交互图，dv和de分别是超图h的节点度矩阵和边缘度矩阵，dv和de是用户捆绑包交互图的节点度矩阵和边缘度矩阵，是超图h的拉普拉斯谱归一化矩阵，是用户捆绑包交互图的拉普拉斯谱归一化矩阵，e(l)是第l层的初始嵌入向量矩阵，为第l层的初始嵌入向量矩阵e(l)在超图h上进行图卷积计算后的第一学习信息，第一学习信息包括每一层用户的嵌入向量矩阵为商品的嵌入向量矩阵为和捆绑包的嵌入向量矩阵为表示第二学习信息中的每一层用户的嵌入向量矩阵，表示第二学习信息中的每一层捆绑包的嵌入向量矩阵，e(l+1)是第l+1层的更新嵌入向量矩阵，α和β权重为参数。
21、第二方面，本专利技术还提供了一种基于超图双卷积图神经网络的捆绑包推荐装置，用于执行上述方法，包括：
22、超图生成模块，用于根据用户、捆绑包与商品三者之间的交互记录生成完整超图；
23、嵌入初始化模块，用于根随机初始化生成初始总嵌入向量矩阵；
24、双卷积模块，用于执行预设轮次的将初始总嵌入向量矩阵与完整超图进行图卷积计算获得第一学习信息，将第一学习信息与用户捆绑包交互图进行图卷积计算获得第二学习信息，组合第一学习信息和第二学习信息构成更新总嵌入向量矩阵，将更新总嵌入向量矩阵作为新的初始总嵌入向量矩阵并返回将初始总嵌入向量矩阵输入完整超图获得第一学习信息的步骤，并根据最后一轮次获得的更新总嵌入向量矩阵加权计算用户和捆绑包的最终嵌入向量矩阵；
25、预测模块，用于将用户的最终嵌入向量矩阵和捆绑包的最终嵌入向量矩阵进行点积计算获得每个用户的捆绑包推荐分数，将每个用户的捆绑包推荐分数进行排序获得每个用户的捆绑包推荐序列。
26、本专利技术的有益效果：本专利技术用以表达捆绑包推荐用户、商品和捆绑包三元关系的完整超图结构充分强调了商品并关注到用户或捆绑包自我联系的，并通过超图双卷积神经网络挖掘完整超图与用户捆绑包交互图的信息，不仅避免了延长信息传播链带来的损失，还能实现更加精确地推荐。
本文档来自技高网...【技术保护点】
1.一种基于超图双卷积图神经网络的捆绑包推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于超图双卷积图神经网络的捆绑包推荐方法，其特征在于，所述完整超图中商品与商品的交互部分图为零矩阵；
3.根据权利要求1所述的基于超图双卷积图神经网络的捆绑包推荐方法，其特征在于，将所述初始总嵌入向量矩阵与完整超图进行图卷积计算获得第一学习信息，将第一学习信息与用户捆绑包交互图进行图卷积计算获得第二学习信息，组合第一学习信息和第二学习信息构成更新总嵌入向量矩阵包括：
4.根据权利要求3所述的基于超图双卷积图神经网络的捆绑包推荐方法，其特征在于，将同一层对应的第一学习信息和第二学习信息进行组合计算构成当前层的更新嵌入向量矩阵的计算式为
5.一种基于超图双卷积图神经网络的捆绑包推荐装置，用于执行如权利要求1至4任意一项所述的方法，其特征在于，包括：
【技术特征摘要】
1.一种基于超图双卷积图神经网络的捆绑包推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于超图双卷积图神经网络的捆绑包推荐方法，其特征在于，所述完整超图中商品与商品的交互部分图为零矩阵；
3.根据权利要求1所述的基于超图双卷积图神经网络的捆绑包推荐方法，其特征在于，将所述初始总嵌入向量矩阵与完整超图进行图卷积计算获得第一学习信息，将第一学习信息与用户捆绑包交互...
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。