一种电商网络商品推荐方法及系统技术方案

本发明专利技术属于数据挖掘领域，公开了一种电商网络商品推荐方法及系统。本发明专利技术所述一种电商网络商品推荐方法包括用户

【技术实现步骤摘要】
一种电商网络商品推荐方法及系统


[0001]本专利技术涉及数据挖掘领域，特别涉及一种电商网络商品推荐方法及系统。

技术介绍

[0002]互联网的出现和普及给用户带来了大量信息，满足了用户对信息的需求，但随着网络的快速发展，网上信息大幅增加，用户在面对大量信息时无法获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息过载问题。解决信息过载问题一个非常有潜力的方法是推荐系统。推荐系统已经成为各种在线平台最重要的技术之一，如淘宝、京东的商品推荐，抖音的视频推荐和知乎的问题推荐等。随着电子商务规模的不断扩大，商品个数和种类的快速增长，如何从大量商品中选出用户想购买的商品已成为急需解决的问题。电商网络商品推荐系统旨在通过用户的历史购买记录挖掘用户的兴趣偏好继而为其推荐可能感兴趣的商品。使用电商网络商品推荐系统不仅可以为用户提供个性化推荐，还可以增加商家收入，创造更多的经济价值。
[0003]推荐的核心是通过分析用户的历史购买记录研究用户的兴趣偏好，继而从大量商品中找出用户可能感兴趣的商品。传统的推荐方法主要包括：基于用户的协同过滤方法、基于物品的协同过滤方法、矩阵分解方法、神经协同过滤方法等，但是，这些方法面临数据稀疏的问题且无法捕获用户和商品之间的高阶协同过滤信号。

技术实现思路

[0004]本专利技术要解决的技术问题是：提供一种电商网络商品推荐方法及系统，该方法基于兴趣子图的图注意力网络，在兴趣子图内使用图注意力网络进行多层卷积操作，捕获用户和商品的高阶协同过滤信号，由于子图由兴趣相似的用户及其交互项组成，避免了将兴趣不相似的高阶邻居的负面信息传播到特征向量中。本专利技术可以充分挖掘用户的潜在兴趣对用户进行准确的推荐。
[0005]为了达到上述目的，本专利技术采用了下列技术方案：
[0006]本专利技术提供了一种电商网络商品推荐方法，先获取用户的购物数据，所述购物数据包括每个用户的编号、用户购买商品的编号、用户对商品的购买历史标签，所述标签用于表征用户是否购买过该商品；然后，利用获取的数据构建用户
‑
商品二分图和交互矩阵；设计基于兴趣子图的注意力网络推荐模型，所述模型包括一阶信息传播模块、子图生成模块、高阶信息传播模块和预测模块四个模块；最后，利用购物数据训练模型，获得使所述模型达到最优解时的每个用户的用户特征向量以及每个商品的商品特征向量；对于任意一个用户，根据该用户的用户特征向量与各商品特征向量的内积，获得该用户对所有商品的预测偏好，根据该用户对所有商品的预测偏好获得该用户的商品推荐列表；
[0007]该方法具体包含以下四个步骤：
[0008]S10、获取并加载电商购物平台用户购物数据，利用用户购物数据构建用户
ꢀ‑
商品二分图和用户商品交互矩阵；
[0009]S20、基于步骤S10建立的交互矩阵，利用图注意力网络构建电商网络商品推荐模型；
[0010]S30、对于步骤S20构建的电商网络商品推荐模型，设计目标函数，通过最小化目标函数进行模型训练；
[0011]S40、利用步骤S20构建的电商网络商品推荐模型，以及步骤S30通过迭代训练确定的模型最优参数，将预测的推荐结果进行输出。
[0012]进一步，所述步骤S10中的用户购物数据包括每个用户的编号，用户购买商品的编号以及用户对商品的购买历史标签，所述标签用于表征用户是否购买过该商品；
[0013]进一步，所述利用用户购物数据构建用户
‑
商品二分图为G＝(U,I,E)，其中： U＝{u1,u2,...,u
N
}表示N个用户构成的集合，N表示用户的数量，u
n
表示第n个用户， n＝{1,2,...,N}；I＝{i1,i2,...,i
M
}表示M个商品构成的集合，M表示商品的数量，i
m
表示第m个商品，m＝{1,2,...,M}；E＝{e
nm
}
n＝1,2,...,N,m＝1,2,...,M
表示用户对不同商品的购买集合；若用户u
n
购买商品i
m
，则用户u
n
和商品i
m
有交互关系，否则，没有交互关系； e
nm
表示用户u
n
和商品i
m
的交互关系，如果用户u
n
与商品i
m
有交互，则e
nm
＝1，否则，e
nm
＝0。
[0014]进一步，所述构建用户商品交互矩阵具体为：
[0015]构建用户
‑
商品二分图G＝(U,I,E)的M
×
N维交互矩阵，该交互矩阵记为A，令A中每个元素的值表示网络G＝(U,I,E)中用户和商品间的交互关系，即A中第i 行，第j列(1≤i≤M,1≤j≤N)的元素A
ij
代表网络中第i个用户节点u
i
和第j个商品节点i
j
之间的交互关系，如果u
i
和i
j
之间存在交互，则A
ij
＝1，否则A
ij
＝0。
[0016]进一步，所述步骤S20中的电商网络商品推荐模型主要包括四个模块：一阶信息传播模块、子图生成模块、高阶信息传播模块和预测模块。一阶信息传播模块通过一层图注意力卷积操作聚合用户的直接兴趣偏好；子图生成模块将兴趣相似的用户及其交互项划分到同一子图中；高阶信息传播模块通过多层图注意力卷积操作得到用户的潜在兴趣偏好；预测模块计算用户和商品的相似性取排名前十的商品给用户进行推荐。
[0017]进一步，所述步骤S20包含以下具体步骤：
[0018]S21、使用图注意力网络将用户
‑
商品二分图G＝(U,I,E)编码为低维空间中的向量表示，用户u和商品i分别用d维向量表示；一阶邻居表示用户和商品的直接交互对象，用户u的一阶邻居是其直接购买的商品，商品i的一阶邻居是直接购买它的用户；由于用户和商品之间的直接交互关系提供了最重要、最可靠的用户兴趣信息，因此在一阶信息传播中，所有一阶邻居都参与了图注意力卷积运算；因为用户对不同的商品偏好不同，所以对直接购买的商品赋予不同的权重；同理，对于某一商品，不同用户对它的偏好不同，所以对直接购买该商品的用户赋予不同的权重；一阶信息传播过程形式化的表示如下所示：
[0019][0020][0021]其中，和分别是用户u和商品i的一阶特征向量，即聚合一阶邻居信息的特征向量；融合了用户直接购买的商品的信息，捕获了用户显性的兴趣偏好；和分别是
用户u和商品i的初始特征向量；N
u
表示用户u购买的商品集合，|N
u
|为用户u购买的商品数量；N
i
表示购买商品i的用户集合，|N
i
|为购买商品i的用户数量；α...

【技术保护点】

【技术特征摘要】
1.一种电商网络商品推荐方法，其特征在于，包括以下步骤：S10、获取并加载电商购物平台用户购物数据，利用用户购物数据构建用户
‑
商品二分图和用户商品交互矩阵；S20、基于步骤S10建立的交互矩阵，利用图注意力网络构建电商网络商品推荐模型；S30、对于步骤S20构建的电商网络商品推荐模型，设计目标函数，通过最小化目标函数进行模型训练；S40、利用步骤S20构建的电商网络商品推荐模型，以及步骤S30通过迭代训练确定的模型最优参数，将预测的推荐结果进行输出。2.根据权利要求1所述的一种电商网络商品推荐方法，其特征在于，所述步骤S10中的用户购物数据包括每个用户的编号，用户购买商品的编号以及用户对商品的购买历史标签，所述标签用于表征用户是否购买过该商品。3.根据权利要求1所述的一种电商网络商品推荐方法，其特征在于，所述利用用户购物数据构建用户
‑
商品二分图为G＝(U,I,E)，其中：U＝{u1,u2,...,u
N
}表示N个用户构成的集合，N表示用户的数量，u
n
表示第n个用户，n＝{1,2,...,N}；I＝{i1,i2,...,i
M
}表示M个商品构成的集合，M表示商品的数量，i
m
表示第m个商品，m＝{1,2,...,M}；E＝{e
nm
}
n＝1,2,...,N,m＝1,2,...,M
表示用户对不同商品的购买集合；若用户u
n
购买商品i
m
，则用户u
n
和商品i
m
有交互关系，否则，没有交互关系；e
nm
表示用户u
n
和商品i
m
的交互关系，如果用户u
n
与商品i
m
有交互，则e
nm
＝1，否则，e
nm
＝0。4.根据权利要求1所述的一种电商网络商品推荐方法，其特征在于，所述构建用户商品交互矩阵具体为：构建用户
‑
商品二分图G＝(U,I,E)的M
×
N维交互矩阵，该交互矩阵记为A，令A中每个元素的值表示G＝(U,I,E)中用户和商品间的交互关系，即A中第i行，第j列(1≤i≤M,1≤j≤N)的元素A
ij
代表网络中第i个用户节点u
i
和第j个商品节点i
j
之间的交互关系，如果u
i
和i
j
之间存在交互，则A
ij
＝1，否则A
ij
＝0。5.根据权利要求1所述的一种电商网络商品推荐方法，其特征在于，所述步骤S20中的电商网络商品推荐模型包括四个模块：一阶信息传播模块、子图生成模块、高阶信息传播模块和预测模块；所述一阶信息传播模块通过一层图注意力卷积操作聚合用户的直接兴趣偏好；所述子图生成模块用于将兴趣相似的用户及其交互项划分到同一子图中；所述高阶信息传播模块通过多层图注意力卷积操作得到用户的潜在兴趣偏好；所述预测模块用于计算用户和商品的相似性，并取排名靠前的商品给用户进行推荐。6.根据权利要求1所述的一种电商网络商品推荐方法，其特征在于，所述步骤S20包含以下步骤：S21、使用图注意力网络将用户
‑
商品二分图G＝(U,I,E)编码为低维空间中的向量表示，用户u和商品i分别用d维向量表示；一阶邻居表示用户和商品的直接交互对象，用户u的一阶邻居是其直接购买的商品，商品i的一阶邻居是直接购买它的用户；由于用户和商品之间的直接交互关系提供了最重要、最可靠的用户兴趣信息，因此在一阶信息传播中，所有一阶邻居都参与了图注意力卷积运算；因为用户对不同的商品偏好不同，所以对直接购买的
商品赋予不同的权重；同理，对于某一商品，不同用户对它的偏好不同，所以对直接购买该商品的用户赋予不同的权重；一阶信息传播过程形式化的表示如下所示：商品的用户赋予不同的权重；一阶信息传播过程形式化的表示如下所示：其中，和分别是用户u和商品i的一阶特征向量，即聚合一阶邻居信息的特征向量；融合了用户直接购买的商品的信息，捕获了用户显性的兴趣偏好；和分别是用户u和商品i的初始特征向量；N
u
表示用户u购买的商品集合，|N
u
|为用户u购买的商品数量；N
i
表示购买商品i的用户集合，|N
i
|为购买商品i的用户数量；α
ui
为用户u购买的所有商品中商品i的权重；α
iu
为购买商品i的所有用户中用户u的权重；其中α
ui
和α
iu
的定义如式(3)、(4)所示：所示：式中，LeakyReLU是非线性激活函数，由式(5)定义；a是权重向量；W是权重矩阵；e
u
表示用户u的特征向量；e
i
表示商品i的特征向量；||是连接操作；式中，λ是负输入斜率，取值为0.01；S22、进一步的，将兴趣相似的用户划分到同一子图中，子图是由兴趣相似的用户及其交互项组成，该过程可以看作节点分类任务，用户的特征向量表示如式(6)所示：其中，F
u
是用户u融合初始特征向量和一阶特征向量的特征向量；是用户u的初始特征向量；是用户u的一阶特征向量；W1与b1分别为编码权重和偏置；LeakyRelu(x)为激活...

【专利技术属性】
技术研发人员：杜航原，白雪，白亮，王文剑，
申请(专利权)人：山西大学，
类型：发明
国别省市：