一种基于异质图神经网络的购物推荐方法及系统

摘要

本发明公开了一种基于异质图神经网络的购物推荐方法及系统，所述方法包括：获取多个用户针对商品的历史行为记录，并根据用户对商品的行为划分为多个数据集；对于每一种行为，分别根据相应数据集生成初始的用户、商品和用户对商品行为关系特征向量；采用图卷积神经网络训练得到最终的用户、商品和用户对商品行为关系特征向量；将最终的用户和商品特征向量进行拼接，得到用户‑商品特征向量；根据用户‑商品特征向量和用户对商品行为关系特征向量，得到用户对于各商品的评分预测。本发明通过将不同用户、商品和用户对商品行为关系构成一张异质图，基于图卷积神经网络进行用户与商品之间关系的链路预测，能够引入更丰富的信息，推荐精度更高。

说明书

技术领域

本发明属于个性化数据推荐技术领域，尤其涉及一种基于异质图神经网络的购物推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

相较于传统购物网站而言，如今的电商类平台中商品的种类，商品的数量以及平台上其他维度的信息都比之前出现了显著的增长，这也导致用户不能快速准确地从一个电商网站中寻找到适合自己的商品。为了解决这一问题，推荐系统在电商网站的应用过程中逐渐发挥着重要的作用，推荐系统背后的个性化推荐算法也因此成为研究的热点。

传统的推荐算法诸如协同过滤算法、因子分解机算法等，这些算法往往不能挖掘用户深层次的兴趣，对于新用户或新商品带来的冷启动问题也没有很好的解决。借助神经网络强大的表征能力，深度学习与推荐系统的结合使得最新的推荐算法往往可以产生更好的效果，但是已有的深度学习算法模型诸如PNN、NCF等，只是使用多层神经网络对项目特征进行多种方式的深层次交叉，虽然组合产生了新的特征信息，模型的表达能力相比传统方法更强，但是并没有引入更多其他类型的信息，对于模型中操作的种类也没有进行进一步的探究说明，举例而言，在购物这一场景下，用户A对《钢铁是怎样练成的》这本书进行了购买，已有的方法更多考虑的是商品或者用户的特征，这因而产生了较大的局限性。也就是说，目前已有的推荐算法仍然存在推荐不精准、泛化能力弱、不能挖掘用户深层次的兴趣等问题。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于异质图神经网络的购物推荐方法及系统。将不同用户的特征、不同商品的特征和用户与商品之间的不同种类的关系特征构成一张异质图，使用图卷积神经网络的方式进行用户与商品之间关系的链路预测，最终实现推荐用户感兴趣的商品，引入了更丰富的信息。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于异质图神经网络的购物推荐方法，包括以下步骤：

获取多个用户针对商品的历史行为记录；

根据所述历史行为记录，生成初始的用户、商品和用户对商品行为关系特征向量；

采用图卷积神经网络训练得到最终的用户、商品和用户对商品行为关系特征向量；

将最终的用户和商品特征向量进行拼接，得到用户-商品特征向量；

根据用户-商品特征向量和用户对商品行为关系特征向量，得到用户对于各商品的评分预测。

进一步地，基于用户标识信息、商品标识信息和用户对商品行为关系信息，生成初始用户特征向量、初始商品特征向量和初始用户对商品行为关系特征向量。

进一步地，所述图卷积神经网络包括多个层数相同的子图卷积神经网络，子图卷积神经网络的数量与用户对商品的行为数量相同，分别用于基于初始的用户、商品和用户对商品行为关系特征向量中的两个训练得到第三个最终的特征向量。

进一步地，根据多个数据集，生成用户与商品之间行为关系的邻接矩阵，作为图卷积神经网络的参数。

进一步地，得到最终的用户对商品行为关系特征向量后，应用注意力机制进行处理。

进一步地，根据用户-商品特征向量和用户对商品行为关系特征向量，得到用户对于各商品的评分预测包括：将用户-商品特征向量和用户对商品行为关系特征向量进行乘积运算，得到评分预测矩阵。

进一步地，所述方法还包括：根据评分预测矩阵向用户推荐商品，包括：根据评分预测矩阵，根据每个用户相应的商品评分，将评分最高的多个商品推荐给用户。

一个或多个实施例提供了一种基于异质图神经网络的购物推荐系统，包括：

数据获取模块，被配置为获取多个用户针对商品的历史行为记录，并根据用户对商品的行为划分为多个数据集；

初始向量训练模块，被配置为对于每一种行为，分别根据相应数据集生成初始的用户、商品和用户对商品行为关系特征向量；

最终向量训练模块，被配置为采用图卷积神经网络训练得到最终的用户、商品和用户对商品行为关系特征向量；

推荐评分预测模块，被配置为将最终的用户和商品特征向量进行拼接，得到用户-商品特征向量；根据用户-商品特征向量和用户对商品行为关系特征向量，得到用户对于各商品的评分预测。

一个或多个实施例提供了一种电子设备，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所述的基于异质图神经网络的购物推荐方法。

一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于异质图神经网络的购物推荐方法。

以上一个或多个技术方案存在以下有益效果：

将不同用户的特征、不同商品的特征和用户与商品之间的不同种类的关系特征构成一张异质图，使用图卷积神经网络的方式进行用户与商品之间关系的链路预测，最终实现推荐用户感兴趣的商品，使得特征向量能够融合异质图中相邻节点的信息，更加丰富。

将用户对商品行为关系的种类纳入考虑，通过采用注意力机制对不同种类的行为关系进行权重赋予，可以有效的提升推荐效果的记忆能力和泛化能力。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明一个或多个实施例中基于异质图神经网络的购物推荐方法流程图；

图2为本发明一个或多个实施例中基于图卷积神经网络进行评分预测的过程示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了一种基于异质图神经网络的购物推荐方法，如图1所示，包括以下步骤：

步骤1：获取多个用户针对商品的历史行为记录，并根据用户对商品的行为进行划分，得到各行为相应的用户与商品对应关系数据；

本实施例中，用户针对商品的历史行为通过电商平台的日志提取。针对商品的行为包括：用户的购买行为，用户添加商品到购物车的行为和用户点击商品进行查看的行为。

根据行为分类存储，具体地，每一种行为对应的数据集应该是以表格的形式进行整理，其中第一列为用户的id，后面有多列分别代表当前id的用户所行为过的商品，举例而言，用户购买的行为记录可表现为：用户id后跟着多个商品id表示指定用户对多种商品进行了操作。

步骤2：根据所述历史行为记录，生成初始的用户、商品和用户对商品行为关系特征向量；

我们应用Item2vec的思路，将用户历史行为记录作为样本来训练生成用户特征初始向量e

步骤3：根据初始的用户、商品和用户对商品行为关系特征向量，采用图卷积神经网络训练得到最终的用户、商品和用户对商品行为关系特征向量；

我们将图卷积神经网络GCN应用于异质图进行推荐。对用户的购买行为、用户添加到购物车行为和用户点击商品查看行为分别应用不同的图卷积神经网络进行特征向量的提取。商品的特征构成向量矩阵E，参数设为W，单层图卷积神经网络的公式定义为:

E

其中,E

首先，我们将第一步得到的用户商品行为数据集进行图卷积操作，由于第一步得到的历史数据以表格的方式呈现，而根据图的邻接表表示与图的邻接矩阵表示之间的转化，我们可以很容易的得到用户与商品之间行为关系的邻接矩阵表示，对应的行和列分别是对应用户和商品的id向量表示，而这里得到的邻接矩阵表示即为图卷积神经网络中的参数A。

本实施例所采用的图卷积神经网络包括多个层数相同的子图卷积神经网络。子图卷积神经网络的数量与用户对商品的行为数量相同。本实施例中，图卷积神经网络包括3个子图卷积神经网络，分别基于初始的用户、商品和用户对商品行为关系特征向量中的两个训练得到第三个最终的特征向量，这些结果向量作为个性化召回阶段的候选集。表示初始的用户特征向量，分别表示初始的商品特征向量，分别表示初始的用户对商品的行为关系特征向量，在得到3个初始向量后，我们分别用其中两个向量作为子GCN的参数来训练剩余的一个向量，训练l次。如图2所示，第一个子图神经网络用于基于，以及训练得到最终的用户特征向量，第二个和第三个分别用于得到最终的商品特征向量和用户对商品行为关系特征向量。这里以训练用户向量为例，其他向量的训练方式相同，训练用户向量的GCN其公式为:

其中，N

每个初始向量经过对应的GCN网络层进行l次的训练之后得到了最终的向量表示分别是：

步骤4：将最终的用户和商品特征向量进行拼接，得到用户-商品特征向量，同时对用户对商品行为关系特征向量应用注意力机制进行处理；

在步骤3中，我们已经分别训练得到了用户向量和商品向量的表示，这些向量表示是独立的，所以这里我们首先将用户向量和商品向量进行拼接得到一个新的向量，记为e

由于我们最终目标是将用户是否购买商品作为是否给用户推荐的评判标准，所以对用户对商品行为关系特征向量应用注意力机制进行处理，对于不同种类的关系向量，我们将其赋予不同的权重，购买行为大于添加购物车行为大于查看行为，进行加权求和得到最终的行为关系向量表示，这里我们记为e

步骤5：根据用户-商品特征向量和用户对商品行为关系特征向量，得到用户对于各商品的评分预测。

在得到两个最终向量之后，我们将其进行乘积运算，乘积运算结果作为用户u对指定商品的v评分预测，然后我们根据预测的评分进行排序，取排序后的前top k个推荐给用户即可。

乘积运算公式如下：

其中

实施例二

本实施例的目的是提供一种基于异质图神经网络的购物推荐系统。所述系统包括：

数据获取模块，被配置为获取多个用户针对商品的历史行为记录；

初始向量训练模块，被配置根据所述历史行为记录，生成初始的用户、商品和用户对商品行为关系特征向量；

最终向量训练模块，被配置为采用图卷积神经网络训练得到最终的用户、商品和用户对商品行为关系特征向量；

推荐评分预测模块，被配置为将最终的用户和商品特征向量进行拼接，得到用户-商品特征向量；根据用户-商品特征向量和用户对商品行为关系特征向量，得到用户对于各商品的评分预测。

实施例三

本实施例的目的是提供一种电子设备。

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如实施例一所述的基于异质图神经网络的购物推荐方法。

实施例四

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的基于异质图神经网络的购物推荐方法。

以上实施例二、三和四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

以上技术方案在考虑目标特征的基础上考虑加入了多种信息。举例而言，用户A对《钢铁是怎样练成的》这本书进行了购买，用户B对《钢铁是怎样练成的》这本书进行了添加购物车，用户B又对《Kubernetes权威指南》进行了点击查看，那我们也会考虑用户对于《Kubernetes权威指南》这本书的行为偏好。

以上技术方案充分利用了用户在电商平台上产生的数据记录，不仅对用户和商品实体的特征进行了组合，也考虑用户和商品实体之间的关系特征。更重要的是，还考虑关系的种类对用户偏好的影响，虽然用户添加购物车、点击查看等操作能说明用户对商品的行为偏好，但以上技术方案中仅将其作为辅助因素，通过采用注意力机制增加购买行为的权重，预测用户是否对商品进行购买，从而得出是否给用户进行商品推荐的结论，对关系种类的考虑使得推荐效果更精准。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。