CN111611472B - 一种基于图卷积神经网络的捆绑推荐方法及*** - Google Patents
一种基于图卷积神经网络的捆绑推荐方法及*** Download PDFInfo
- Publication number
- CN111611472B CN111611472B CN202010244341.9A CN202010244341A CN111611472B CN 111611472 B CN111611472 B CN 111611472B CN 202010244341 A CN202010244341 A CN 202010244341A CN 111611472 B CN111611472 B CN 111611472B
- Authority
- CN
- China
- Prior art keywords
- binding
- user
- article
- interaction data
- bundle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009739 binding Methods 0.000 title claims abstract description 325
- 230000027455 binding Effects 0.000 title claims abstract description 324
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 198
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 20
- 239000000203 mixture Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims 2
- 238000005096 rolling process Methods 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000002776 aggregation Effects 0.000 description 10
- 238000004220 aggregation Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法及***。该方法包括：获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；再输入至捆绑推荐模型中，得到捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型通过基于用户数据集合、捆绑数据集合和物品数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。本发明实施例通过将用户、捆绑和物品之间的交互关系和从属关系重构为图，并利用图神经网络的强大能力从复杂的拓扑结构和高阶连通性中学习三种关联实体表示，能达到更好的推荐性能。
Description
技术领域
本发明涉及捆绑推荐技术领域，尤其涉及一种基于图卷积神经网络的捆绑推荐方法及***。
背景技术
捆绑推荐的定义为旨在推荐供用户整体消费的一组捆绑物品，捆绑的物品在电子商务和内容平台上的盛行使捆绑推荐成为一项重要任务，不仅可以避免用户单调的选择来改善用户的体验，而且还可以通过扩展订单大小来增加业务销售额。由于一个捆绑由多个物品组成，因此捆绑的吸引力取决于捆绑内的物品，捆绑内每个物品的吸引力都受到捆绑包中一起显示的其他物品的影响。此外，用户需要对捆绑中的大多数物品感到满意，这意味着用户与捆绑之间的交互更为稀疏。
而尽管捆绑策略目前在各种地方都得到了广泛使用，但是在解决捆绑推荐问题方面所做的工作很少。大多数现有工作都将物品推荐和捆绑推荐视为两个相对独立的任务，并通过共享模型参数或多任务框架将它们关联起来。列表推荐模型(LIRE)和嵌入分解机(EFM)在BPR框架下同时利用了用户与商品和捆绑商品的交互。捆绑BPR模型(BBPR)利用了先前通过物品BPR模型学习的参数。深度注意力多任务模型(DAM)以多任务的方式联合建模了用户-捆绑交互和用户-物品交互，将物品推荐任务的好处转移到捆绑推荐中，以减轻用户-捆绑交互的稀缺性。
目前通常是采用如下几种方法：
方案一，首先确定多个物品中的每一物品配对的相应共选得分，共选得分指明物品配对中两者都被用户选择的概率，基于共选得分确定多个物品之间的共选图。每个节点都代表一个物品，每条边与共选得分相关联，将物品捆绑问题转化为最大完全N子图优化问题。
方案二，通过用户当前感兴趣的物品所属类别或自身属性，计算其他物品与当前物品的相似性，将最相似的物品作为当前物品的补充作为捆绑，此后逐个补充与捆绑内物品相似的其他物品作为新的捆绑，将多个物品捆绑进行排名，从多个物品捆绑中选择一个物品捆绑，以便推荐给用户。
不难发现，上述方案存在如下局限：(1)参数共享的方法没有显式地建模用户，物品和捆绑之间的关系，并且多任务框架中损失层面上的结合很难平衡主要任务和辅助任务之间的权重；(2)现有工作仅考虑捆绑中物品之间的相关性来学习更好的物品表示以增强物品推荐任务。但是，捆绑作为推荐目标，它们之间的相似性更为重要却被忽略；(3)当用户与交互捆绑时，其决策心理未曾被考虑。在物品层面，即使用户喜欢捆绑中的大多数物品，但由于存在一个不喜欢的物品，用户可能会拒绝该捆绑。在捆绑层面，对于两个高度相似的捆绑，影响用户最终选择的关键是它们的不重叠部分。
发明内容
本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法及***，用以解决现有技术中进行捆绑推荐时无法平衡用户、捆绑和物品之间的权重关系，对应的决策参考关系不够全面，导致推荐结果不够准确和客观。
第一方面，本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法，包括：
获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；
将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户-捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。
优选地，所述捆绑推荐模型，通过以下步骤获得：
获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合构建所述统一异构图；
基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征；
将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行所有层的嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达；
采用基于捆绑场景下的所述难负样本学习策略对所述联合预测表达进行训练，得到所述捆绑推荐模型。
优选地，所述获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合构建所述统一异构图，具体包括：
获取若干用户信息、若干捆绑信息和若干物品信息，分别定义所述若干用户信息与所述若干捆绑信息的交互数据为所述用户与捆绑交互数据集合、所述若干捆绑信息与所述若干物品信息的从属关系为所述捆绑与物品交互数据集合以及所述若干用户信息与所述若干物品信息的交互数据为所述用户与物品交互数据集合；
采用无向图表示所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合；其中，所述无向图包括节点和边，所述节点包括用户节点、捆绑节点和物品节点，所述边包括用户与捆绑交互边缘、用户与物品交互边缘和捆绑与物品从属边缘；
对所述用户节点、所述捆绑节点和所述物品节点的输入采用独热编码进行编码，并压缩为密集实值向量。
优选地，所述基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征，具体包括：
基于所述密集实值向量构建用户和物品之间的嵌入传播，得到物品层级嵌入更新规则，由所述物品层级嵌入更新规则获得所述物品层级图卷积传播特征；
基于所述密集实值向量构建捆绑和用户之间的嵌入传播，得到捆绑层级嵌入更新规则，由所述捆绑层级嵌入更新规则获得所述捆绑层级图卷积传播特征。
优选地，所述将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行所有层的嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达，具体包括：
将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行若干次图卷积传播，获得若干个用户嵌入向量和若干个捆绑嵌入向量；
将所述若干个用户嵌入向量和所述若干个捆绑嵌入向量的所有层按照预设运算方式进行嵌入结合，得到所述联合预测表达。
优选地，所述采用基于捆绑场景下的难负样本学习策略对所述联合预测表达进行训练，得到所述捆绑推荐模型，具体包括：
基于所述联合预测表达定义已观察用户捆绑交互数据和未观察用户捆绑交互数据，基于所述已观察用户捆绑交互数据和所述未观察用户捆绑交互数据构建具有负采样的成对训练数据；
以预设目标函数作为模型训练目标，以及预设概率引入所述成对训练数据，基于所述难负样本学习策略进行训练，得到所述捆绑推荐模型。
优选地，所述捆绑推荐模型的训练还包括设置若干模型超参数。
第二方面，本发明实施例提供一种基于图卷积神经网络的捆绑推荐***，包括：
获取模块，用于获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；
处理模块，用于将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。
第三方面，本发明实施例提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述基于图卷积神经网络的捆绑推荐方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述基于图卷积神经网络的捆绑推荐方法的步骤。
本发明实施例提供的基于图卷积神经网络的捆绑推荐方法及***，通过将用户、捆绑和物品之间的交互关系和从属关系重构为图，并利用图神经网络的强大能力从复杂的拓扑结构和高阶连通性中学习三种关联实体的表示，能达到更好的推荐性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于图卷积神经网络的捆绑推荐方法流程图；
图2为本发明实施例提供的捆绑推荐***流程图；
图3为本发明实施例提供的捆绑推荐问题定义示意图；
图4为本发明实施例提供的包含用户，物品和捆绑的统一异构图构建方式示意图；
图5为本发明实施例提供的基于物品层级图卷积传播的特征提取的过程示意图；
图6为本发明实施例提供的基于捆绑层级图卷积传播的特征提取的过程示意图；
图7为本发明实施例提供的捆绑推荐场景下高阶连通性示意图；
图8为本发明实施例提供的基于两种视角的联合预测过程示意图；
图9为本发明实施例提供的捆绑场景下的难负采样过程示意图；
图10为本发明实施例提供的捆绑推荐***实施案例流程图；
图11为本发明实施例提供的一种基于图卷积神经网络的捆绑推荐***结构图；
图12为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为克服现有技术的局限性，本发明实施例的目标为基于用户对物品/捆绑的历史交互以及捆绑和物品的组成信息来推荐用户可能交互的捆绑。考虑电商平台或内容平台等场景下的捆绑推荐问题，提出了一种基于图卷积神经网络的捆绑推荐方法，通过将用户、捆绑和商品统一为异构图，显式地建模用户、捆绑和商品之间的交互和从属关系。基于在所构造的异构图上两个层级的图卷积传播，通过区分物品节点和捆绑节点之间的从属关系，来捕获用户与物品/捆绑之间的协同过滤信号，捆绑的语义以及捆绑之间的相似性。考虑到用户在选择捆绑时的谨慎态度，难负采样进一步编码了用户和捆绑的细粒度表示。
图1为本发明实施例提供的一种基于图卷积神经网络的捆绑推荐方法流程图，如图1所示，包括：
S1，获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；
S2，将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。
具体地，首先获取到基于平台保存的数据，可以得到用户对物品和捆绑的历史交互记录和捆绑的构成信息，体现为用户-捆绑历史交互数据、用户-物品历史交互数据和捆绑-物品从属关系数据，如图2所示。此处，为了集成物品级别信息以提高捆绑包推荐的准确性，需要对三种重要的信息进行建模，使用B和I表示用户，捆绑和物品的集合，并将用户-捆绑交互矩阵，用户-物品交互矩阵和捆绑-物品从属关系矩阵定义为XM×N＝{xub|u∈U,b∈B}，YM×O＝{yui|u∈U,i∈I}，以及ZN×O＝{zbi|b∈B,i∈I}，每个条目都是一个二进制值。观察到的交互xub表示用户u曾经与捆绑b交互，观察到的交互yui意味着用户u曾经与物品i交互，如图3所示。类似地，条目zbi＝1意味着捆绑b包含物品i。M，N和O分别表示用户数，捆绑数和商品数。
因此，对平台内用户进行捆绑推荐的问题可以表示为如下形式，输入：用户-捆绑历史交互XM×N，用户-物品历史交互YM×O和捆绑-物品从属关系ZN×O；输出：捆绑推荐模型，用于估计用户u与捆绑b交互的可能性，即用户-捆绑交互可能性推荐结果。
本发明实施例通过将用户、捆绑和物品之间的交互关系和从属关系重构为图，并利用图神经网络的强大能力从复杂的拓扑结构和高阶连通性中学习三种关联实体的表示，能达到更好的推荐性能。
基于上述实施例，所述捆绑推荐模型，通过以下步骤获得：
获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合构建所述统一异构图；
基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征；
将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行所有层的嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达；
采用基于捆绑场景下的所述难负样本学习策略对所述联合预测表达进行训练，得到所述捆绑推荐模型。
具体地，建立捆绑推荐模型，首先是统一建模用户，物品和捆绑复杂关系构造统一异构图，再分别基于物品层级进行图卷积传播来提取特征，以及基于捆绑层级进行图卷积传播来提取特征，然后基于物品和捆绑两种传播视角来进行预测，最后在进行基于捆绑场景下难负采样的模型训练。
基于上述任一实施例，所述获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合构建所述统一异构图，具体包括：
获取若干用户信息、若干捆绑信息和若干物品信息，分别定义所述若干用户信息与所述若干捆绑信息的交互数据为所述用户与捆绑交互数据集合、所述若干捆绑信息与所述若干物品信息的从属关系为所述捆绑与物品交互数据集合以及所述若干用户信息与所述若干物品信息的交互数据为所述用户与物品交互数据集合；
采用无向图表示所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合；其中，所述无向图包括节点和边，所述节点包括用户节点、捆绑节点和物品节点，所述边包括用户与捆绑交互边缘、用户与物品交互边缘和捆绑与物品从属边缘；
对所述用户节点、所述捆绑节点和所述物品节点的输入采用独热编码进行编码，并压缩为密集实值向量。
具体地，为了显式地建模用户，捆绑和物品之间的关系，首先构建统一的异构图。交互和从属关系数据可以由无向图G＝(V,E)表示，其中节点由用户节点/>捆绑节点b∈B和物品节点i∈I组成，边E是由对应xub＝1的用户-捆绑交互边缘(u,b)，对应yui＝1的用户-物品交互边缘(u,i)和对应zbi＝1的捆绑-物品从属边缘(b,i)组成。用于统一建模用户，物品和捆绑复杂关系的异构图构造过程如图4所示。
对于构造图上的用户，物品和捆绑节点，进一步采用独热编码对输入进行编码，然后将其压缩为密集的实值向量，如下所示：
其中表示用户u，物品i和捆绑b的独热特征向量。P，Q和R分别表示用户嵌入，物品嵌入和捆绑嵌入的矩阵。
基于上述任一实施例，所述基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征，具体包括：
基于所述密集实值向量构建用户和物品之间的嵌入传播，得到物品层级嵌入更新规则，由所述物品层级嵌入更新规则获得所述物品层级图卷积传播特征；
基于所述密集实值向量构建捆绑和用户之间的嵌入传播，得到捆绑层级嵌入更新规则，由所述捆绑层级嵌入更新规则获得所述捆绑层级图卷积传播特征。
具体地，一方面，用户对捆绑中物品的偏好可以吸引用户对该捆绑的注意和兴趣。由于捆绑的物品通常经过精心设计，因此它们在功能上通常彼此兼容，并构成一些语义以影响用户的选择上下文。例如，带有床垫和床架的捆绑反映了卧室家居的含义，而带有西装和领带的捆绑则反映了职场着装的含义。
为了捕获用户对物品的偏好和物品本身的特征，首先构建在用户和物品之间的嵌入传播。然后，从物品到捆绑的信息池化可以从物品层级捕获捆绑的语义信息。用户u，物品i和捆绑b的基于传播和池化的嵌入更新规则可以表述为：
其中W1是可学习的权重，b1是可学习的偏置，σ是非线性激活函数LeakyReLU。分别表示用户u，物品i和捆绑b的邻居。聚合函数aggregate可以是诸如简单均值函数，带采样的均值函数，最大池化等函数等。通过这个特殊的传播机制，可以减轻捆绑数据稀疏性的影响，并自然提高模型处理的冷启动能力。基于物品层级图卷积传播的特征提取的过程如图5所示。
另一方面，捆绑中物品之间的紧密关联使共享某些物品的两个捆绑非常相似。可以从它们共享多少物品来推断相似程度。例如，共享五个组件的电脑装机套装在性能上要比共享两个更接近，共享十个电影的电影列表在主题上比共享五个更接近。对于用户而言，通常可以同时考虑共享更多物品的捆绑。
首先进行捆绑到用户的图卷积嵌入传播，以在捆绑级别学习用户的偏好。然后，执行用户到捆绑的嵌入传播以提取捆绑的整体属性。由于高度重叠的捆绑在吸引用户方面表现出相似的模式，将捆绑的重叠程度作为权重，在捆绑-物品-捆绑元路径上进行加权嵌入传播，以捕获捆绑之间的替代关系。捆绑级别的嵌入更新规则可以表述为：
其中W2和b2分别是可训练变换矩阵和偏置。Ml表示捆绑-物品-捆绑元路径上捆绑b的邻居。βbb′表示归一化后捆绑之间的重叠程度。由相似的b表现出来的属性之间的传播有助于捆绑学习更好的表示，并进一步增强u和b之间的消息传递。基于捆绑层级图卷积传播的特征提取的过程如图6所示。
基于上述任一实施例，所述将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行所有层的嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达，具体包括：
将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行若干次图卷积传播，获得若干个用户嵌入向量和若干个捆绑嵌入向量；
将所述若干个用户嵌入向量和所述若干个捆绑嵌入向量的所有层按照预设运算方式进行嵌入结合，得到所述联合预测表达。
具体地，由于期望利用图神经网络来学习用户-捆绑交互，用户-物品交互和物品-捆绑从属关系的高阶连通性。特别是此前从未被考虑过的从属关系的高阶连通性。例如，捆绑b1和捆绑b2共享物品i1，捆绑b2和捆绑b3共享物品i2，尽管捆绑b1和捆绑b3不共享任何物品，但它们在某种程度上是相似的，如图7所示。具体来说，迭代地进行L次图卷积传播，获得L个用户/捆绑的嵌入向量。并将所有层的嵌入结合起来，采用预设的运算方式，比如连接或求和等方式，以合并从不同深度的邻居接收到的信息进行预测。基于物品和捆绑两种传播视角的预测过程如图8所示。
由于分层级传播的特殊设计不仅可以区分统一异构图中任意两个节点之间是交互或从属关系，还能区分物品节点i属于捆绑节点b还是捆绑节点b属于物品节点i，所以需要在预测时同时考虑两个层级的信息。具体来说，通过用户和捆绑嵌入做出最终预测，比如简单的内积方式，并结合物品和捆绑两个层级的视角，比如简单的求和方式，举例如下：
基于上述任一实施例，所述采用基于捆绑场景下的难负样本学习策略对所述联合预测表达进行训练，得到所述捆绑推荐模型，具体包括：
基于所述联合预测表达定义已观察用户捆绑交互数据和未观察用户捆绑交互数据，基于所述已观察用户捆绑交互数据和所述未观察用户捆绑交互数据构建具有负采样的成对训练数据；
以预设目标函数作为模型训练目标，以及预设概率引入所述成对训练数据，基于所述难负样本学习策略进行训练，得到所述捆绑推荐模型。
具体地，由于捆绑包含更多的物品并具有更高的价格，因此用户在捆绑场景中决策或花钱时通常会非常小心，以避免不必要的风险。例如，即使用户喜欢捆绑中的大多数物品，但由于存在一个不喜欢的物品而可能拒绝该捆绑。此外，对于两个高度相似的捆绑，影响用户最终选择的关键是它们的不重叠部分。
为了优化模型，同时考虑用户在与捆绑交互时的决策，设计了基于捆绑场景下的难负样本的学习策略。首先采用成对学习的方式，该方式广泛应用于隐式推荐***。然后在模型收敛之后，以一定的概率引入难负样本来进行更精细的训练。因此，将目标函数定义如下：
其中表示具有负采样的成对训练数据。/>和/>分别表示观察到的和未观察到的用户捆绑交互。在难负采样器中，对于每个是u未与之交互但与其内部大多数物品交互或与b重叠的捆绑。λ为L2正则化项的权重，Θ为可训练的参数集合。难负样本的构造方式如图9所示。
基于上述任一实施例，所述捆绑推荐模型的训练还包括设置若干模型超参数。
具体地，在对捆绑推荐模型进行训练时，还需要设置模型超参数，包括负采样数sample_number，批次大小mini_batch_size，嵌入大小embedding_size，学习率learning_rate，L2正则项L2_normalization，消息丢失率message_dropout和节点丢失率node_dropout，难负样本的的选择概率hard_ratio。在对网络进行训练的过程中，网络各层的权重及偏置值都可以在反向传播的过程中通过随机梯度下降的方法(Stochastic GradientDescent)进行更新。
为了更清楚地说明本发明中各实施例，下面将对照图10说明本发明实施例的具体实施方式。
实施方式一：如图10中的中间一个分支，使用者想利用平台追踪的用户与物品和捆绑历史交互来推荐给用户新的捆绑。这里的平台可以是任何电商和内容平台，对应任何能够形成捆绑的物品，如商品，食物，地点，音乐，书籍，电影，新闻等。
首先将用户与物品的历史交互，用户与捆绑的历史交互，和捆绑的构成信息形式化为矩阵，获得用户-捆绑历史交互矩阵XM×N，用户-物品历史交互矩阵YM×O和捆绑-物品从属关系矩阵ZN×O，通过三种矩阵可以描述一个统一的异构图。其中节点由用户节点捆绑节点b∈B和物品节点i∈I组成，边E是由对应xub＝1的用户-捆绑交互边缘(u,b)，对应yui＝1的用户-物品交互边缘(u,i)和对应zbi＝1的捆绑-物品从属边缘(b,i)组成。对于构造图上的用户，物品和捆绑节点，采用独热编码对输入进行编码，然后将其压缩为密集的实值向量：/>其中/>表示用户u，物品i和捆绑b的独热特征向量。P，Q和R分别表示可学***台中用户、物品和捆绑的其他属性可以利用时(例如年龄、性别等用户画像，价格、名称、图片等物品/捆绑属性)，则可以利用这些额外特征增强编码表示。
将用户，物品和捆绑的输入特征作为图神经网络的第0层特征表示，通过在图结构上进行图卷积传播以捕获图结构信息，并从表示学习角度对实体特征进行更新。对于物品层级的传播，首先将第l层的用户节点u的表示及其物品邻居节点i的表示/>聚合到用户节点u以获得第l+1层的用户节点u的表示/>再将第l层的物品节点i的表示/>及其用户邻居节点u的表示/>聚合到物品节点i以获得第l+1层的物品节点i的表示/>然后，第l+1层捆绑节点b的表示/>则通过其物品邻居节点i的表示/>聚合而来。聚合函数不限于诸如简单均值函数，带采样的均值函数，最大池化等函数等。基于物品层级图卷积传播的特征提取的过程如图5所示。对于捆绑层级的传播，首先将第l层的用户节点u的表示/>及其捆绑邻居节点b的表示/>聚合到用户节点u以获得第l+1层的用户节点u的表示再将第l层的捆绑节点b的表示/>用户邻居节点u的表示/>以及捆绑-物品-捆绑元路径上的捆绑邻居节点b′的表示/>聚合到捆绑节点b以获得第l+1层的捆绑节点b的表示/>其中基于重叠的捆绑元路径邻居的聚合以捆绑之间的重叠程度作为权重。基于捆绑层级图卷积传播的特征提取的过程如图6所示。
迭代地进行L次图卷积传播后，获得L个用户/捆绑的嵌入向量，并将所有层的嵌入结合起来，包括但不限于连接或求和等方式，获得用户和捆绑的在两种传播视角下的最终表示然后，通过用户和捆绑嵌入做出最终预测，包括但不限于内积的方式，并结合物品和捆绑两个层级的视角，包括但不限于求和的方式，获得用户u交互捆绑b的可能性/>基于物品和捆绑两种传播视角的预测过程如图8所示。对于模型训练，首先采用广泛应用于隐式推荐***的成对学习的方式，使所估计的观察到的用户捆绑交互的可能性分值大于未观察到的用户捆绑交互的可能性分值。然后在模型收敛之后，以一定的概率(如80％)引入基于捆绑场景下的难负样本来进行更精细的训练，对每一个正样本对中的用户，选择未与之交互但与其内部大多数物品交互的捆绑作为难负样本，或对每一个正样本对中的捆绑，选择与该捆绑具有重叠物品的其他捆绑作为难负样本。使所估计的观察到的用户捆绑交互的可能性分值大于未观察到但对于用户来说难以抉择的用户捆绑样本对的可能性分值。通过随机梯度下降法优化目标函数获得模型中所有可学习参数，至此得到一个端到端的捆绑推荐***。
实施方式二：如图10中的左边一个分支，使用者想利用平台追踪的用户与捆绑历史交互来推荐给用户新的捆绑。这里的平台可以是任何电商和内容平台，对应任何能够形成捆绑的物品，如商品，食物，地点，音乐，书籍，电影，新闻等。
首先将用户与捆绑的历史交互，和捆绑的构成信息形式化为矩阵，获得用户-捆绑历史交互矩阵XM×N和捆绑-物品从属关系矩阵ZN×O，通过两种矩阵可以描述一个统一的异构图。其中节点由用户节点/>捆绑节点b∈B和物品节点i∈I组成，边E是由对应xub＝1的用户-捆绑交互边缘(u,b)和对应zbi＝1的捆绑-物品从属边缘(b,i)组成。对于构造图上的用户和捆绑节点，采用独热编码对输入进行编码，然后将其压缩为密集的实值向量： 其中/>表示用户u和捆绑b的独热特征向量。P和R分别表示可学***台中用户和捆绑的其他属性可以利用时(例如年龄、性别等用户画像，价格、名称、图片等捆绑属性)，则可以利用这些额外特征增强编码表示。
将用户和捆绑的输入特征作为图神经网络的第0层特征表示，通过在图结构上进行图卷积传播以捕获图结构信息，并从表示学习角度对实体特征进行更新。对于捆绑层级的传播，首先将第1层的用户节点u的表示及其捆绑邻居节点b的表示/>聚合到用户节点u以获得第l+1层的用户节点u的表示/>再将第1层的捆绑节点b的表示/>用户邻居节点u的表示/>以及捆绑-物品-捆绑元路径上的捆绑邻居节点b′的表示/>聚合到捆绑节点b以获得第l+1层的捆绑节点b的表示/>其中基于重叠的捆绑元路径邻居的聚合以捆绑之间的重叠程度作为权重。基于捆绑层级图卷积传播的特征提取的过程如图6所示。
迭代地进行L次图卷积传播后，获得L个用户/捆绑的嵌入向量。并将所有层的嵌入结合起来，包括但不限于连接或求和等方式，获得用户和捆绑的在一种传播视角下的最终表示然后，通过用户和捆绑嵌入做出最终预测，包括但不限于内积的方式，获得用户u交互捆绑b的可能性/>对于模型训练，首先采用广泛应用于隐式推荐***的成对学习的方式，使所估计的观察到的用户捆绑交互的可能性分值大于未观察到的用户捆绑交互的可能性分值。然后在模型收敛之后，以一定的概率(如80％)引入基于捆绑场景下的难负样本来进行更精细的训练，对每一个正样本对中的捆绑，选择与该捆绑具有重叠物品的其他捆绑作为难负样本。使所估计的观察到的用户捆绑交互的可能性分值大于未观察到但对于用户来说难以抉择的用户捆绑样本对的可能性分值。通过随机梯度下降法优化目标函数获得模型中所有可学习参数，至此得到一个端到端的捆绑推荐***。
实施方式三：如图10中的右边一个分支，使用者想利用平台追踪的用户与物品历史交互来推荐给用户新的捆绑。这里的平台可以是任何电商和内容平台，对应任何能够形成捆绑的物品，如商品，食物，地点，音乐，书籍，电影，新闻等。
首先将用户与物品的历史交互和捆绑的构成信息形式化为矩阵，获得用户-物品历史交互矩阵YM×O和捆绑-物品从属关系矩阵ZN×O，通过两种矩阵可以描述一个统一的异构图。其中节点由用户节点/>捆绑节点b∈B和物品节点i∈I组成，边E是由对应yui＝1的用户-物品交互边缘(u,i)和对应zbi＝1的捆绑-物品从属边缘(b,i)组成。对于构造图上的用户和物品节点，采用独热编码对输入进行编码，然后将其压缩为密集的实值向量： 其中/>表示用户u，物品i的独热特征向量。P，Q分别表示可学***台中用户和物品的其他属性可以利用时(例如年龄、性别等用户画像，价格、名称、图片等物品属性)，则可以利用这些额外特征增强编码表示。
将用户和物品的输入特征作为图神经网络的第0层特征表示，通过在图结构上进行图卷积传播以捕获图结构信息，并从表示学习角度对实体特征进行更新。对于物品层级的传播，首先将第l层的用户节点u的表示及其物品邻居节点i的表示/>聚合到用户节点u以获得第l+1层的用户节点u的表示/>再将第l层的物品节点i的表示/>及其用户邻居节点u的表示/>聚合到物品节点i以获得第l+1层的物品节点i的表示/>然后，第l+1层捆绑节点b的表示/>则通过其物品邻居节点i的表示/>聚合而来。聚合函数不限于诸如简单均值函数，带采样的均值函数，最大池化等函数等。基于物品层级图卷积传播的特征提取的过程如图5所示。
迭代地进行L次图卷积传播后，获得L个用户/捆绑的嵌入向量。并将所有层的嵌入结合起来，包括但不限于连接或求和等方式，获得用户和捆绑的在一种传播视角下的最终表示然后，通过用户和捆绑嵌入做出最终预测，包括但不限于内积的方式，获得用户u交互捆绑b的可能性/>对于模型训练，首先采用广泛应用于隐式推荐***的成对学习的方式，使所估计的观察到的用户捆绑交互的可能性分值大于未观察到的用户捆绑交互的可能性分值。然后在模型收敛之后，以一定的概率(如80％)引入基于捆绑场景下的难负样本来进行更精细的训练，对每一个正样本对中的用户，选择未与之交互但与其内部大多数物品交互的捆绑作为难负样本。使所估计的观察到的用户捆绑交互的可能性分值大于未观察到但对于用户来说难以抉择的用户捆绑样本对的可能性分值。通过随机梯度下降法优化目标函数获得模型中所有可学习参数，至此得到一个端到端的捆绑推荐***。
图11为本发明实施例提供的一种基于图卷积神经网络的捆绑推荐***结构图，如图11所示，包括：获取模块1101和处理模块1102；其中：
获取模块1101用于获取用户-捆绑历史交互数据、用户-物品历史交互数据和捆绑-物品从属关系数据；处理模块1102用于将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。
本发明实施例提供的***用于执行上述对应的方法，其具体的实施方式与方法的实施方式一致，涉及的算法流程与对应的方法算法流程相同，此处不再赘述。
本发明实施例通过将用户、捆绑和物品之间的交互关系和从属关系重构为图，并利用图神经网络的强大能力从复杂的拓扑结构和高阶连通性中学习三种关联实体的表示，能达到更好的推荐性能。
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口(Communications Interface)1220、存储器(memory)1230和通信总线1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行如下方法：获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑-物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图卷积神经网络的捆绑推荐方法，其特征在于，包括：
获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；
将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的；其中，所述物品层级图卷积传播特征包括用户对物品的偏好和物品本身的特征，所述捆绑层级图卷积传播特征包括捆绑级别的用户的偏好和捆绑的整体属性。
2.根据权利要求1所述的基于图卷积神经网络的捆绑推荐方法，其特征在于，所述捆绑推荐模型，通过以下步骤获得：
获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合构建所述统一异构图；
基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征；
将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行所有层的嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达；
采用基于捆绑场景下的所述难负样本学习策略对所述联合预测表达进行训练，得到所述捆绑推荐模型。
3.根据权利要求2所述的基于图卷积神经网络的捆绑推荐方法，其特征在于，所述获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合构建所述统一异构图，具体包括：
获取若干用户信息、若干捆绑信息和若干物品信息，分别定义所述若干用户信息与所述若干捆绑信息的交互数据为所述用户与捆绑交互数据集合、所述若干捆绑信息与所述若干物品信息的从属关系为所述捆绑与物品交互数据集合以及所述若干用户信息与所述若干物品信息的交互数据为所述用户与物品交互数据集合；
采用无向图表示所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与物品交互数据集合；其中，所述无向图包括节点和边，所述节点包括用户节点、捆绑节点和物品节点，所述边包括用户与捆绑交互边缘、用户与物品交互边缘和捆绑与物品从属边缘；
对所述用户节点、所述捆绑节点和所述物品节点的输入采用独热编码进行编码，并压缩为密集实值向量。
4.根据权利要求3所述的基于图卷积神经网络的捆绑推荐方法，其特征在于，所述基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征，具体包括：
基于所述密集实值向量构建用户和物品之间的嵌入传播，得到物品层级嵌入更新规则，由所述物品层级嵌入更新规则获得所述物品层级图卷积传播特征；
基于所述密集实值向量构建捆绑和用户之间的嵌入传播，得到捆绑层级嵌入更新规则，由所述捆绑层级嵌入更新规则获得所述捆绑层级图卷积传播特征。
5.根据权利要求2所述的基于图卷积神经网络的捆绑推荐方法，其特征在于，所述将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行所有层的嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达，具体包括：
将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行若干次图卷积传播，获得若干个用户嵌入向量和若干个捆绑嵌入向量；
将所述若干个用户嵌入向量和所述若干个捆绑嵌入向量的所有层按照预设运算方式进行嵌入结合，得到所述联合预测表达。
6.根据权利要求2所述的基于图卷积神经网络的捆绑推荐方法，其特征在于，所述采用基于捆绑场景下的难负样本学习策略对所述联合预测表达进行训练，得到所述捆绑推荐模型，具体包括：
基于所述联合预测表达定义已观察用户捆绑交互数据和未观察用户捆绑交互数据，基于所述已观察用户捆绑交互数据和所述未观察用户捆绑交互数据构建具有负采样的成对训练数据；
以预设目标函数作为模型训练目标，以及预设概率引入所述成对训练数据，基于所述难负样本学习策略进行训练，得到所述捆绑推荐模型。
7.根据权利要求1至6中任一权利要求所述的基于图卷积神经网络的捆绑推荐方法，其特征在于，所述捆绑推荐模型的训练还包括设置若干模型超参数。
8.一种基于图卷积神经网络的捆绑推荐***，其特征在于，包括：
获取模块，用于获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；
处理模块，用于将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策略训练所得到的；其中，所述物品层级图卷积传播特征包括用户对物品的偏好和物品本身的特征，所述捆绑层级图卷积传播特征包括捆绑级别的用户的偏好和捆绑的整体属性。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于图卷积神经网络的捆绑推荐方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于图卷积神经网络的捆绑推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010244341.9A CN111611472B (zh) | 2020-03-31 | 2020-03-31 | 一种基于图卷积神经网络的捆绑推荐方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010244341.9A CN111611472B (zh) | 2020-03-31 | 2020-03-31 | 一种基于图卷积神经网络的捆绑推荐方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611472A CN111611472A (zh) | 2020-09-01 |
| CN111611472B true CN111611472B (zh) | 2024-02-27 |
Family
ID=72200320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010244341.9A Active CN111611472B (zh) | 2020-03-31 | 2020-03-31 | 一种基于图卷积神经网络的捆绑推荐方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611472B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084407B (zh) * | 2020-09-08 | 2024-03-12 | 辽宁工程技术大学 | 一种融合图神经网络和注意力机制的协同过滤推荐方法 |
| CN112085171B (zh) * | 2020-09-15 | 2024-03-29 | 中山大学 | 一种基于分簇多实体图神经网络的推荐方法 |
| CN112465593B (zh) * | 2020-11-27 | 2024-03-29 | 中国科学技术大学 | 通过图神经网络实现时尚套装推荐的方法 |
| CN112651487B (zh) * | 2020-12-21 | 2021-07-27 | 广东交通职业技术学院 | 基于图坍缩卷积神经网络的数据推荐方法、***及介质 |
| CN112650944A (zh) * | 2020-12-29 | 2021-04-13 | 哈尔滨理工大学 | 一种基于高阶连接图的协同过滤推荐算法 |
| CN112686147B (zh) * | 2020-12-30 | 2024-05-28 | 北京纵目安驰智能科技有限公司 | 车辆与车轮从属关系预测方法、***、存储介质及终端 |
| CN113763014A (zh) * | 2021-01-05 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 物品共现关系确定方法和装置及判定模型获得方法和装置 |
| CN112765373B (zh) * | 2021-01-29 | 2023-03-21 | 北京达佳互联信息技术有限公司 | 资源推荐方法、装置、电子设备和存储介质 |
| CN112925977A (zh) * | 2021-02-26 | 2021-06-08 | 中国科学技术大学 | 一种基于自监督图表征学习的推荐方法 |
| CN113065045B (zh) * | 2021-04-20 | 2022-07-22 | 支付宝(杭州)信息技术有限公司 | 对用户进行人群划分、训练多任务模型的方法和装置 |
| CN113177159B (zh) * | 2021-05-11 | 2022-08-05 | 清华大学 | 基于多通道超图神经网络的捆绑推荐方法 |
| CN113343121B (zh) * | 2021-06-02 | 2022-08-09 | 合肥工业大学 | 基于多粒度流行度特征的轻量级图卷积协同过滤推荐方法 |
| CN113468227B (zh) * | 2021-06-25 | 2024-05-24 | 北京达佳互联信息技术有限公司 | 基于图神经网络的信息推荐方法、***、设备和存储介质 |
| CN114065048B (zh) * | 2021-11-25 | 2024-02-09 | 西安电子科技大学 | 基于多异构图图神经网络的物品推荐方法 |
| CN114329200B (zh) * | 2021-12-27 | 2023-05-26 | 黑龙江大学 | 一种个性化自适应捆绑推荐模型及推荐方法 |
| CN114399028B (zh) * | 2022-01-14 | 2023-04-18 | 马上消费金融股份有限公司 | 信息处理方法、图卷积神经网络训练方法及电子设备 |
| CN116611894B (zh) * | 2023-06-02 | 2023-11-17 | 黑龙江大学 | 一种跨层级图对比学习捆绑商品推荐方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108713212A (zh) * | 2016-03-04 | 2018-10-26 | 范德曼公司 | 用于基于分组信息提供信息的方法、***和介质 |
| CN108874914A (zh) * | 2018-05-29 | 2018-11-23 | 吉林大学 | 一种基于图卷积与神经协同过滤的信息推荐方法 |
| CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐*** |
| CN110674407A (zh) * | 2019-09-30 | 2020-01-10 | 杭州电子科技大学 | 基于图卷积神经网络的混合推荐方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190362407A1 (en) * | 2018-05-24 | 2019-11-28 | International Business Machines Corporation | Bundling items based on cost and value |
-
2020
- 2020-03-31 CN CN202010244341.9A patent/CN111611472B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108713212A (zh) * | 2016-03-04 | 2018-10-26 | 范德曼公司 | 用于基于分组信息提供信息的方法、***和介质 |
| CN108874914A (zh) * | 2018-05-29 | 2018-11-23 | 吉林大学 | 一种基于图卷积与神经协同过滤的信息推荐方法 |
| CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐*** |
| CN110674407A (zh) * | 2019-09-30 | 2020-01-10 | 杭州电子科技大学 | 基于图卷积神经网络的混合推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的推荐***研究综述;黄立威;江碧涛;吕守业;刘艳博;李德毅;;计算机学报(第07期);191-219 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611472A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111611472B (zh) | 一种基于图卷积神经网络的捆绑推荐方法及*** | |
| CN111310063B (zh) | 基于神经网络的记忆感知门控因子分解机物品推荐方法 | |
| CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
| Wang et al. | Perceiving the next choice with comprehensive transaction embeddings for online recommendation | |
| US20210342701A1 (en) | Deep learning based visual compatibility prediction for bundle recommendations | |
| CN110321473B (zh) | 基于多模态注意力的多样性偏好信息推送方法、***、介质及设备 | |
| CN108647800B (zh) | 一种基于节点嵌入的在线社交网络用户缺失属性预测方法 | |
| CN114036406A (zh) | 一种基于图对比学习和社交网络增强的推荐方法及*** | |
| CN113379494A (zh) | 基于异质社交关系的商品推荐方法、装置和电子设备 | |
| CN112364242A (zh) | 针对上下文感知型的图卷积推荐*** | |
| US20230267317A1 (en) | Sign-aware recommendation apparatus and method using graph neural network | |
| CN113918834A (zh) | 融合社交关系的图卷积协同过滤推荐方法 | |
| CN114579852A (zh) | 一种基于图卷积网络与注意力机制的推荐方法 | |
| CN117251586A (zh) | 多媒体资源推荐方法、装置及存储介质 | |
| CN112989182A (zh) | 信息处理方法、装置、信息处理设备及存储介质 | |
| CN116204723A (zh) | 一种基于动态超图表示学习的社交推荐方法 | |
| CN115391555A (zh) | 一种用户感知的知识图谱推荐***及方法 | |
| CN114936901A (zh) | 基于跨模态语义推理与融合的视觉感知推荐方法及*** | |
| CN110727705B (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN114519600A (zh) | 一种融合相邻节点方差的图神经网络ctr预估算法 | |
| CN110659962B (zh) | 一种商品信息输出方法及相关装置 | |
| Bang et al. | Collective matrix factorization using tag embedding for effective recommender system | |
| Wu et al. | Applying a Probabilistic Network Method to Solve Business‐Related Few‐Shot Classification Problems | |
| Wojtkiewicz et al. | Advances in Computational Collective Intelligence: 13th International Conference, ICCCI 2021, Kallithea, Rhodes, Greece, September 29–October 1, 2021, Proceedings | |
| Hien et al. | A Deep Learning Model for Context Understanding in Recommendation Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |