CN112633978B - 图神经网络模型构建方法、用于商品推荐的方法、装置及设备 - Google Patents
图神经网络模型构建方法、用于商品推荐的方法、装置及设备 Download PDFInfo
- Publication number
- CN112633978B CN112633978B CN202011528670.2A CN202011528670A CN112633978B CN 112633978 B CN112633978 B CN 112633978B CN 202011528670 A CN202011528670 A CN 202011528670A CN 112633978 B CN112633978 B CN 112633978B
- Authority
- CN
- China
- Prior art keywords
- commodities
- merchants
- relations
- neural network
- network model
- 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
- 238000003062 neural network model Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000000203 mixture Substances 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 55
- 230000006399 behavior Effects 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005295 random walk Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及信息推荐技术领域,公开一种用于商品推荐的图神经网络模型构建方法。该方法包括:获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系;根据行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系获取多路异构图;根据多路异构图获得图神经网络模型。本方案得到的图神经网络模型由于考虑了多种维度的属性,使得其输出的结果在用于商品推荐时更加符合用户的行为,提高了用户获得商品推荐结果时的体验。本申请还公开一种用于商品推荐的图神经网络模型构建装置及设备、用于商品推荐的方法、装置及设备。
Description
技术领域
本申请涉及信息推荐技术领域,例如涉及一种用于商品推荐的图神经网络模型构建方法、用于商品推荐的方法、装置及设备。
背景技术
现有技术进行商品推荐通常采用一些经典推荐算法,例如:矩阵分解、协同过滤、按照热度排行进行推荐等算法。现有技术的推荐算法只能针对单一属性对用户进行商品推荐,无法针对多种维度的属性获得用于进行商品推荐的输出结果。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于商品推荐的图神经网络模型构建方法、用于商品推荐的方法、装置及设备,以能够根据多种维度的属性获得用于进行商品推荐的输出结果。
在一些实施例中,所述用于商品推荐的图神经网络模型构建方法,包括:
获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系;
根据所述行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系获取多路异构图;
根据所述多路异构图获得图神经网络模型。
在一些实施例中,所述用于商品推荐的方法,包括:根据上述方法构建的图神经网络模型对用户进行商品推荐。
在一些实施例中,所述装置包括:第一处理器和存储有第一程序指令的第一存储器,其特征在于,所述第一处理器被配置为在执行所述第一程序指令时,执行上述的用于商品推荐的图神经网络模型构建方法。
在一些实施例中,所述装置包括:第一处理器和存储有第一程序指令的第一存储器,所述第一处理器被配置为在执行所述第一程序指令时,执行上述的用于商品推荐的方法。
在一些实施例中,所述设备包括:上述的用于商品推荐的图神经网络模型构建装置。
在一些实施例中,所述设备包括:上述的用于商品推荐的装置。
本公开实施例提供的用于商品推荐的图神经网络模型构建方法、装置及设备,可以实现以下技术效果:通过用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系来获取多路异构图,并根据多路异构图获得图神经网络模型,这样,得到的图神经网络模型由于考虑了多种维度的属性,使得其输出的结果在用于商品推荐时更加符合用户的行为,提高了用户获得商品推荐结果时的体验。
本公开实施例提供的用于商品推荐的方法、装置及设备,可以实现以下技术效果:通过获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系,并将其输入图神经网络模型模型中能够得到商品、商家、用户中任意两个节点的相关性评分,并根据相关性评分对用户进行商品推荐,由于考虑了多种维度的属性,使得推荐的商品更加符合用户的需求,提高了用户获得商品推荐结果时的体验。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于商品推荐的图神经网络模型构建方法的示意图;
图2是本公开实施例提供的一个用于商品推荐的方法的示意图;
图3是本公开实施例提供的一个用于商品推荐的图神经网络模型构建装置的示意图;
图4是本公开实施例提供的一个用于商品推荐的装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
结合图1所示,本公开实施例提供一种用于商品推荐的图神经网络模型构建方法方法,包括:
步骤S101,获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系;行为数据包括用户对商品的历史购买行为数据、用户对商品的历史收藏行为数据及用户对商品的历史评论行为数据中的一种或多种;商品之间的关系包括被同一用户购买、被同一用户收藏、被同一用户评论、相同商品类型、属于同一品牌或属于配套商品中的一种或多种;商家之间的关系包括:存在相同类型的商品、存在被同一用户购买的商品、存在被同一用户收藏的商品和存在被同一用户评论的商品;商品和商家之间的关系包括:商家包括相同类型的商品或商家包括该商品;用户和用户之间的关系包括:好友关系等。
步骤S102,根据用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系获取多路异构图。
步骤S103,根据多路异构图获得图神经网络模型。
采用本公开实施例提供的用于商品推荐的图神经网络模型构建方法,通过用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系来获取多路异构图,并根据多路异构图获得图神经网络模型,这样,得到的图神经网络模型由于考虑了多种维度的属性,使得其输出的结果在用于商品推荐时更加符合用户的行为,提高了用户获得商品推荐结果时的体验。
可选地,根据用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系获取多路异构图,包括:将用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系作为边,并将所述用户、商品或商家作为节点,构建多路异构图。
可选地,用户的行为数据对应的边的类型包括:购买类型、收藏类型或评论类型等;可选地,商品之间的关系对应的边的类型包括:被同一用户购买、被同一用户收藏、被同一用户评论、属于相同商品类型、属于同一品牌或属于配套商品等;可选地,商家之间的关系对应的边的类型包括:存在被同一用户购买的商品、存在被同一用户收藏的商品、存在被同一用户评论的商品、属于相同类型等;可选地,属于相同类型包括:属于家电类型、属于服装类型等;可选地,商品和商家之间的关系对应的边的类型包括:商家包括相同类型的商品或商家包括该商品等;可选地,用户和用户之间的关系对应的边的类型包括:好友类型等。
可选地,多路异构图由若干个节点和若干条边构成。
可选地,获取用户的属性信息、商品的属性信息及商家的属性信息。可选地,用户的属性信息包括:用户的年龄、性别、所处地域等;商品的属性信息包括:价格、品牌、产地等属性。可选地,商家的属性信息包括:所处地域、受众群体、商家类型等。
可选地,获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系之后,还包括,对用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系进行预处理。
可选地,将用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系进行预处理,包括:将用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系处理为<节点一类型><节点二类型><边类型>,<节点一类型><属性1><属性2><属性3>...<属性P>等格式的数据,其中,P为正整数。
可选地,根据预处理后的数据构建多路异构图。可选地,获取预设时间段内的用户的行为数据。在一些实施例中,预设时间段为一周。
可选地,对年龄、性别、地域、价格、品牌、产地等属性量化得到每个节点的特征向量。
在一些实施例中,在节点为用户的情况下,对用户的年龄、性别、地域、用户ID(Identity Document,身份标识号)等属性量化得到该节点的特征向量。
在一些实施例中,在节点为商品的情况下,对商品的价格、品牌、产地等属性量化得到该节点的特征向量。
在一些实施例中,在节点为商家的情况下,对商家所处地域、商家类型、受众群体等属性量化得到该节点的特征向量。这样,由于各属性量化得到的特征向量维度各不相同,且数据中存在购买、收藏、评论等多种不同的互动,所以用多路异构图进行描述更符合用户的需求。
可选地,根据多路异构图获得图神经网络模型,包括:获取多路异构图中各节点的特征嵌入向量和各节点的边嵌入向量;根据特征嵌入向量和边嵌入向量获取各节点的聚合特征向量;对任意两个节点的聚合特征向量求内积,获得两个节点的相关性评分;获取相关性评分的损失值;在损失值不满足预设条件的情况下,根据损失值调整特征嵌入向量和边嵌入向量,直到损失值满足预设条件;在损失值满足预设条件的情况下,获得图神经网络模型,该图神经网络模型用于对模型内的任意两个节点的聚合特征向量求内积,获得这两个节点的相关性评分。
可选地,分别对各节点进行特征嵌入和边嵌入,得到各节点的特征嵌入向量和边嵌入向量。
可选地,通过计算Xi=Dzxi得到各节点的特征嵌入向量;其中,Xi为节点i的特征嵌入向量,Dz为xi对应的节点类型z的特征嵌入层的特征变换矩阵;z为节点类型,xi为节点i的初始特征向量,i≥0。
可选地,通过计算vi=MkUiai,k得到各节点的边嵌入向量;其中,vi为各节点的边嵌入向量,Mk为边类型k的特征嵌入层的特征变换矩阵,Ui为节点i的所有边的边嵌入;ai,k为节点i的边嵌入对边类型k上的边嵌入的权值。
可选地,对各节点的特征嵌入向量和边嵌入向量进行加权求和得到各节点的聚合特征向量。
可选地,通过计算ei=αXi+βvi得到各节点的聚合特征向量;其中,ei为聚合特征向量,α为特征嵌入向量的权值,β为边嵌入向量的权值,Xi为节点i的特征嵌入向量,vi为各节点的边嵌入向量,可选地,α+β=1。
可选地,对任意两个节点的聚合特征向量求内积,得到两个节点之间的相关性评分。
可选地,通过计算ri,j=ei T·ej得到节点i和节点j之间的相关性评分;其中,ri,j为节点i和节点j之间的相关性评分,ei T为节点i的聚合特征向量的转置,ej为节点j的聚合特征向量。
可选地,通过BPR(Bayesian Personalized Ranking,贝叶斯个性化排序)损失函数获取相关性评分的损失值。
可选地,通过计算得到相关性评分的损失值,其中,Lbpr为相关性评分的损失值,Ns为第一归一化参数,σ为Sixmoid(S型生长曲线)函数;ri,j为一对正样本的相关性评分,rf,g为一对负样本的相关性评分。可选地,正样本为根据两个在同一条路径中的节点计算得出的相关性评分;负样本为根据两个不在同一条路径中的节点计算得出的相关性评分。
可选地,通过随机梯度下降算法获得相关性评分的损失值的局部最小值。
可选地,在损失值的局部最小值未达到设定阈值范围内的情况下,对特征嵌入向量中的特征变换矩阵Dz进行调整,对边嵌入向量中的特征变换矩阵Mk进行调整,直到损失值的局部最小值达到设定阈值范围内。在损失值的局部最小值达到设定阈值范围内的情况下,获得图神经网络模型。这样,通过BPR损失函数和随机梯度下降算法对模型进行完善训练,能够优化模型,使得通过图神经网络模型计算出来的相关性评分更准确。
可选地,获取多路异构图中各节点的特征嵌入向量和各节点的边嵌入向量,包括:通过随机游走算法在多路异构图中提取γ条路径,γ≥2;各路径包括多路异构图中的节点和边;将路径中任一节点作为目标节点,在包含目标节点的路径中提取w个目标节点的邻居节点;获取邻居节点与目标节点之间的边,w>0;对目标节点进行特征嵌入,得到目标节点的特征嵌入向量,直到路径中所有节点均进行特征嵌入;对目标节点进行边嵌入,得到目标节点的边嵌入向量,直到路径中所有节点均进行边嵌入。
可选地,通过随机游走算法在多路异构图中提取γ条路径,γ≥2;每条路径的长度为t。
可选地,将邻居节点j的特征向量传递信息到k类型边上的节点i的过程如下:
通过计算得到节点i在每种类型的边上的嵌入;其中,Uj→i,k为节点j的边嵌入到节点i在边类型k上的边嵌入的信息传递,Ci,j为第二归一化参数,Wk为不同的边类型上的维度转换矩阵,Uj,k为节点j在k类型的边上的边嵌入。
可选地,Ui=(Ui,1,Ui,2,…Ui,k),Ui为所有边类型在节点i上的边嵌入拼接得到的,Ui,k为不同类型的边在节点i上的边嵌入。
可选地,通过计算ai,k=softmax(Wk tanh(WkUk))T得到节点i的边嵌入对边类型k上的边嵌入的权值;其中,Wk为不同的边类型上的维度转换矩阵,Uk为不同的边类型同一节点上的向量表示,ai,k为节点i的边嵌入对边类型k上的边嵌入的权值。
可选地,通过计算vi=MkUiai,k得到各节点的边嵌入向量;其中,vi为各节点的边嵌入向量,Mk为边类型k的特征嵌入层的特征变换矩阵,Ui为节点i的所有边的边嵌入;ai,k为节点i的边嵌入对边类型k上的边嵌入的权值。
本公开实施例提供一种用于商品推荐的方法,包括:根据上述的方法构建的图神经网络模型对用户进行商品推荐。
结合图2所示,本公开实施例提供另一种用于商品推荐的方法,包括:
步骤S201,获取预设时间段内的用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系;
步骤S202,将用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系输入图神经网络模型中进行计算,获得相关性评分;
步骤S203,根据相关性评分对用户进行商品推荐。
采用本公开实施例提供的用于商品推荐的方法,可以实现以下技术效果:通过获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系,并将其输入图神经网络模型模型中能够得到商品、商家、用户中任意两个节点的相关性评分,并根据相关性评分对用户进行商品推荐,由于考虑了多种维度的属性,使得推荐的商品更加符合用户的需求,提高了用户获得商品推荐结果时的体验。
可选地,根据图神经网络模型对用户进行商品推荐,包括:获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系;将用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系输入图神经网络模型进行计算,获得相关性评分;根据相关性评分对用户进行商品推荐。行为数据包括用户对商品的历史购买行为数据、用户对商品的历史收藏行为数据及用户对商品的历史评论行为数据中的一种或多种;商品之间的关系包括被同一用户购买、被同一用户收藏、被同一用户评论、相同商品类型、属于同一品牌或属于配套商品中的一种或多种;商家之间的关系包括:存在相同类型的商品、存在被同一用户购买的商品、存在被同一用户收藏的商品和存在被同一用户评论的商品;商品和商家之间的关系包括:商家包括相同类型的商品或商家包括该商品;用户和用户之间的关系包括:好友关系等。
可选地,获取预设时间段内的用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系,将用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系输入至图神经网络模型中得到用户的行为数据的相关性评分。可选地,图神经网络模型对模型内的任意两个节点的聚合特征向量求内积,获得任意两个节点的相关性评分。
可选地,在得到的相关性评分中,选取满足预设条件如分数最高的相关性评分所对应的商品,将其推荐给用户。
可选地,根据相关性评分对用户进行商品推荐,包括:在图神经网络模型模型中节点i和节点j为用户和商品的情况下,按照协同过滤的思想,将相关性评分最高的n个商品推荐给用户,n为正整数;在图神经网络模型模型中节点i和节点j均为用户情况下,且节点i和节点j的相关性度评分最高,按照协同过滤的思想,将用户j购买、收藏或评论过的商品推荐给用户i;在图神经网络模型模型中节点i和节点j均为商品情况下,且节点i和节点j的相关性度评分最高,按照协同过滤的思想,将商品j推荐给购买、收藏或评论过商品i的用户;在图神经网络模型模型中节点i为用户和节点j为商家的情况下,且节点i和节点j的相关性度评分最高,按照协同过滤的思想,将商家j的商品推荐给用户i。
结合图3所示,本公开实施例提供一种用于商品推荐的图神经网络模型构建装置,包括第一处理器(processor)100和存储有第一程序指令的第一存储器(memory)101。可选地,该装置还可以包括第一通信接口(Communication Interface)102和第一总线103。其中,第一处理器100、第一通信接口102、第一存储器101可以通过第一总线103完成相互间的通信。第一通信接口102可以用于信息传输。第一处理器100可以调用第一存储器101中的第一程序指令,以执行上述实施例的用于商品推荐的图神经网络模型构建方法。
此外,上述的第一存储器101中的第一程序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。
第一存储器101作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。第一处理器100通过运行存储在第一存储器101中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于商品推荐的图神经网络模型构建方法。
第一存储器101可包括第一存储程序区和第一存储数据区,其中,第一存储程序区可存储第一操作***、至少一个功能所需的第一应用程序;第一存储数据区可存储根据终端设备的使用所创建的数据等。此外,第一存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器。
采用本公开实施例提供的用于商品推荐的图神经网络模型构建装置,通过用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系来获取多路异构图,并根据多路异构图获得图神经网络模型,这样,得到的图神经网络模型由于考虑了多种维度的属性,使得其输出的结果在用于商品推荐时更加符合用户的行为,提高了用户获得商品推荐结果时的体验。
结合图4所示,本公开实施例提供一种用于商品推荐的装置,包括第二处理器(processor)200和存储有第二程序指令的第二存储器(memory)201。可选地,该装置还可以包括第二通信接口(Communication Interface)202和第二总线203。其中,第二处理器200、第二通信接口202、第二存储器201可以通过第二总线203完成相互间的通信。第二通信接口202可以用于信息传输。第二处理器200可以调用第二存储器201中的第二程序指令,以执行上述实施例的用于商品推荐的图神经网络模型构建方法。
此外,上述的第二存储器201中的第二程序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。
第二存储器201作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。第二处理器200通过运行存储在第二存储器201中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于商品推荐的图神经网络模型构建方法。
第二存储器201可包括第二存储程序区和第二存储数据区,其中,第二存储程序区可存储第二操作***、至少一个功能所需的第二应用程序;第二存储数据区可存储根据终端设备的使用所创建的数据等。此外,第二存储器201可以包括高速随机存取存储器,还可以包括非易失性存储器。
采用本公开实施例提供的用于商品推荐的装置,通过获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系,并将其输入图神经网络模型模型中能够得到商品、商家、用户中任意两个节点的相关性评分,并根据相关性评分对用户进行商品推荐,由于考虑了多种维度的属性,使得推荐的商品更加符合用户的需求,提高了用户获得商品推荐结果时的体验。
本公开实施例提供了一种设备,包含上述的用于商品推荐的图神经网络模型构建装置。该设备通过用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系来获取多路异构图,并根据多路异构图获得图神经网络模型,这样,得到的图神经网络模型由于考虑了多种维度的属性,使得其输出的结果在用于商品推荐时更加符合用户的行为,提高了用户获得商品推荐结果时的体验。
可选地,设备包括电脑、服务器等。
本公开实施例提供了一种设备,包含上述的用于商品推荐的装置。通过获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系,并将其输入图神经网络模型模型中能够得到商品、商家、用户中任意两个节点的相关性评分,并根据相关性评分对用户进行商品推荐,由于考虑了多种维度的属性,使得推荐的商品更加符合用户的需求,提高了用户获得商品推荐结果时的体验
可选地,设备包括手机、平板、电脑等。
本公开实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令设置为执行上述用于商品推荐的图神经网络模型构建方法。
本公开实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括第一程序指令,当第一程序指令被计算机执行时,使计算机执行上述用于商品推荐的图神经网络模型构建方法。
本公开实施例提供了另一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令设置为执行上述用于商品推荐的方法。
本公开实施例提供了另一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括第二程序指令,当第二程序指令被计算机执行时,使计算机执行上述用于商品推荐的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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,包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,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)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。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单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (7)
1.一种用于商品推荐的图神经网络模型构建方法,其特征在于,
获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系及商品和商家之间的关系;
根据所述行为数据、商品之间的关系、商家之间的关系、用户之间的关系及商品和商家之间的关系获取多路异构图;
根据所述多路异构图获得图神经网络模型;
根据所述行为数据、商品之间的关系、商家之间的关系、用户之间的关系及商品和商家之间的关系获取多路异构图,包括:将所述行为数据、商品之间的关系、商家之间的关系、用户之间的关系、商品和商家之间的关系作为边,并将所述用户、商品或商家作为节点,构建多路异构图;
根据所述多路异构图获得所述图神经网络模型,包括:获取所述多路异构图中各节点的特征嵌入向量和各所述节点的边嵌入向量;根据所述特征嵌入向量和所述边嵌入向量获取各所述节点的聚合特征向量;对任意两个节点的聚合特征向量求内积,获得所述两个节点的相关性评分;获取所述相关性评分的损失值;在所述损失值不满足预设条件的情况下,根据所述损失值调整所述特征嵌入向量和所述边嵌入向量,直到所述损失值满足所述预设条件;在所述损失值满足所述预设条件的情况下,获得所述图神经网络模型;
获取所述多路异构图中各节点的特征嵌入向量和各所述节点的边嵌入向量,包括:通过随机游走算法在所述多路异构图中提取γ条路径,γ≥2;各所述路径包括所述多路异构图中的节点和边;将所述路径中任一节点作为目标节点,在包含所述目标节点的路径中提取w个所述目标节点的邻居节点;获取所述邻居节点与所述目标节点之间的边,w>0;对所述目标节点进行特征嵌入,得到所述目标节点的特征嵌入向量,直到所述路径中所有节点均进行特征嵌入;对所述目标节点进行边嵌入,得到所述目标节点的边嵌入向量,直到所述路径中所有节点均进行边嵌入。
2.一种用于商品推荐的方法,其特征在于,根据如权利要求1所述的方法构建的图神经网络模型对用户进行商品推荐。
3.根据权利要求2所述的方法,其特征在于,根据所述图神经网络模型对用户进行商品推荐,包括:
获取用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系及商品和商家之间的关系;
将用户的行为数据、商品之间的关系、商家之间的关系、用户之间的关系及商品和商家之间的关系输入所述图神经网络模型进行计算,获得相关性评分;
根据所述相关性评分对所述用户进行商品推荐。
4.一种用于商品推荐的图神经网络模型构建装置,包括第一处理器和存储有第一程序指令的第一存储器,其特征在于,所述第一处理器被配置为在执行所述第一程序指令时,执行如权利要求1所述的用于商品推荐的图神经网络模型构建方法。
5.一种用于商品推荐的装置,包括第二处理器和存储有第二程序指令的第二存储器,其特征在于,所述第二处理器被配置为在执行所述第二程序指令时,执行如权利要求2或3所述的用于商品推荐的方法。
6.一种电子设备,其特征在于,包括如权利要求4所述的用于商品推荐的图神经网络模型构建装置。
7.一种电子设备,其特征在于,包括如权利要求5所述的用于商品推荐的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528670.2A CN112633978B (zh) | 2020-12-22 | 2020-12-22 | 图神经网络模型构建方法、用于商品推荐的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011528670.2A CN112633978B (zh) | 2020-12-22 | 2020-12-22 | 图神经网络模型构建方法、用于商品推荐的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633978A CN112633978A (zh) | 2021-04-09 |
CN112633978B true CN112633978B (zh) | 2024-03-08 |
Family
ID=75321637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011528670.2A Active CN112633978B (zh) | 2020-12-22 | 2020-12-22 | 图神经网络模型构建方法、用于商品推荐的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633978B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239232B (zh) * | 2021-05-17 | 2023-12-26 | 北京达佳互联信息技术有限公司 | 图神经网络推荐***、方法、装置、电子设备及存储介质 |
CN113409121B (zh) * | 2021-06-29 | 2022-02-15 | 南京财经大学 | 一种基于异构图表达学习的跨境电商推荐方法 |
CN113934929A (zh) * | 2021-09-30 | 2022-01-14 | 联想(北京)有限公司 | 推荐方法及装置、电子设备 |
CN116611897B (zh) * | 2023-07-19 | 2023-10-13 | 北京快益通科技有限公司 | 基于人工智能的消息提醒方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209926A (zh) * | 2019-04-22 | 2019-09-06 | 北京三快在线科技有限公司 | 商家推荐方法、装置、电子设备及可读存储介质 |
WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
CN111695965A (zh) * | 2020-04-26 | 2020-09-22 | 清华大学 | 基于图神经网络的产品筛选方法、***及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11062198B2 (en) * | 2016-10-31 | 2021-07-13 | Microsoft Technology Licensing, Llc | Feature vector based recommender system |
-
2020
- 2020-12-22 CN CN202011528670.2A patent/CN112633978B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073534A1 (zh) * | 2018-10-12 | 2020-04-16 | 平安科技(深圳)有限公司 | 基于重聚类的推送方法、装置、计算机设备及存储介质 |
CN110209926A (zh) * | 2019-04-22 | 2019-09-06 | 北京三快在线科技有限公司 | 商家推荐方法、装置、电子设备及可读存储介质 |
CN111695965A (zh) * | 2020-04-26 | 2020-09-22 | 清华大学 | 基于图神经网络的产品筛选方法、***及设备 |
Non-Patent Citations (1)
Title |
---|
Yifan Wang等.DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation.《CIKM'20 :proceedings of the 29th ACM international conference on information&knowledge managemant》.2020,第1605-1614页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112633978A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633978B (zh) | 图神经网络模型构建方法、用于商品推荐的方法、装置及设备 | |
CN112766500B (zh) | 图神经网络的训练方法及装置 | |
CN111400754B (zh) | 保护用户隐私的用户分类***的构建方法及装置 | |
CN110909176A (zh) | 数据推荐方法、装置、计算机设备以及存储介质 | |
CN111611472A (zh) | 一种基于图卷积神经网络的捆绑推荐方法及*** | |
CN106874503B (zh) | 获取推荐数据的方法和装置 | |
CN113763095B (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
CN110197390A (zh) | 一种基于关联规则关联度和经济值的推荐方法和*** | |
CN116561424A (zh) | 一种应用于智能推荐***的图神经网络结合Transformer的推荐方法 | |
Shin et al. | One4all user representation for recommender systems in e-commerce | |
Biau et al. | Statistical analysis of k-nearest neighbor collaborative recommendation | |
Lopes et al. | Efficient Bayesian methods for graph-based recommendation | |
CN112801425A (zh) | 信息点击率的确定方法、装置、计算机设备和存储介质 | |
CN111461827B (zh) | 产品评价信息的推送方法和装置 | |
CN110245303A (zh) | 一种协同过滤推荐*** | |
CN111861678A (zh) | 一种资源推荐方法、装置、电子设备及存储介质 | |
CN112669127B (zh) | 用于商品推荐的方法、装置及设备 | |
CN114638704A (zh) | 非法资金转移的识别方法及其装置、电子设备及存储介质 | |
CN111177581A (zh) | 一种基于多平台的社交电商网站商品推荐方法及装置 | |
CN112989211B (zh) | 一种确定信息相似度的方法及*** | |
KR102592129B1 (ko) | 인공지능에 기반한 사용자 맞춤형 의류 추천시스템 | |
Zhao | Synergy between customer segmentation and personalization | |
CN106991592A (zh) | 一种基于购买用户行为分析的个性化推荐方法 | |
CN114418012A (zh) | 对象关联关系确定方法、装置、设备及计算机存储介质 | |
CN112734519B (zh) | 一种基于卷积自编码器网络的商品推荐方法 |
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 |