【技术实现步骤摘要】
本专利技术涉及商品推荐，更具体的说是涉及一种基于超图神经网络的销售商品推荐方法及系统。
技术介绍
1、随着经济不断发展，商品的销售方式不断变化，商场、超市等实体零售商不断受到电商、直播平台等网络商品销售的冲击和挑战。
2、但是，现有的实体零售商，通常是根据商超销售和管理人员的经验和主观判断，选择销售商品的种类品牌；或者通过对顾客进行调查报告，以及第三方调查评估分析，选择销售商品；或者由销售商的销售策略和推荐，对售卖的商品进行更新替换。这些方法往往仅能够从某一个或者几个角度出发，通过人为的主观意识进行分析，确定销售商品的品类和具体品牌等，不能全面的多角度考虑商品销售，难以对影响商品销售情况的不同因素之间的高阶关联性进行全面分析，准确确定销售商品。
3、因此，如何为零售商推荐更合适的商品进行销售，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于超图神经网络的销售商品推荐方法及系统，通过收集不同零售商的自身特征及不同商品的实际销售情况，利用超图神经网络进行分析，为零售商推荐更适合的商品销售，从而提高零售商经济效益。为了实现上述目的，本专利技术提供如下技术方案：
2、本专利技术公开了一种基于超图神经网络的销售商品推荐方法，包括：
3、获取各零售商和各零售商销售商品的历史数据；
4、对所述历史数据进行预处理，得到不同时间段的样本数据；
5、基于所述样本数据，以零售商为节点，商品为超边
6、使用超图神经网络对所述超图模型进行卷积迭代学习，得到零售商与商品的优化模型；
7、选取所述优化模型中聚集的中心节点，计算零售商特征与多个所述中心节点的特征的相似度，选取相似度最大的中心节点，并根据所述相似度最大的中心节点相连的超边所代表的商品选择商品进行推荐。
8、进一步的，所述零售商的历史数据包括：零售商位置坐标、规模、客流量、潜在用户数量、营业时间；所述销售商品的历史数据包括：商品的名称、类型、价格、销量及利润率。
9、进一步的，所述预处理包括：根据固定时间间隔，对所述零售商和销售商品的历史数据进行采样，得到不同时间段内的零售商数据和对应的商品销售数据；
10、对所述零售商数据中的零售商位置坐标、规模、客流量、潜在用户数量、营业时间、特征进行非线性化处理并进行独热编码，得到零售商特征数据；对所述商品中的名称、类型特征进行独热编码，结合价格、销量及利润率，得到商品特征数据；对所述采样的不同时间段进行独热编码，得到样本时间特征数据；
11、所述零售商特征数据、所述商品特征数据、所述样本时间特征数据构成所述样本数据。
12、进一步的，所述超图模型表示为g＝(v,e,w)，其中v＝{v1,v2,...v|v|}表示节点集合，|v|表示节点总数，e＝{e1,e2,...,e|e|}表示超边集合，|e|表示超边总数，w是超边的权重矩阵；邻接矩阵表示超图的邻接关系，其中任意超边e包含节点v则h(v,e)＝1，否则h(v,e)＝0。
13、进一步的，所述超图神经网络包含输入层、节点卷积层、超边卷积层、全连接层，所述节点卷积层和所述超边卷积层后均连接有激活函数层；通过所述节点卷积层将各节点的特征聚集到节点所属的超边上，通过所述超边卷积层将超边上的特征聚集到节点上；
14、所述迭代学习表示为：其中，x(l+1)表示超图神经网络在第l+1层的节点特征矩阵，作为输出，σ(·)表示非线性激活函数，dv为对角矩阵表示节点的度，de为对角矩阵表示超边的度，θ(l)表示第l层训练参数，x(l)表示超图神经网络在第l层的节点特征矩阵，作为下一层输入。
15、进一步的，所述构建超图模型后还包括，计算构建好的所述超图模型的导图，根据所述导图确定相似节点，并对所述相似节点进行融合，简化超图模型。
16、进一步的，所述导图表示为其中i，j表示集合v中的任意两个节点，为超图的频率矩阵，定义为其中deg(i)表示i节点的度，|e|i,j∈e}|表示节点i和节点j共同出现在一条超边的数量。
17、进一步的，所述计算零售商特征与所述多个中心节点特征的相似度，包括：选取所述样本数据中所述样本时间特征数据为当前时刻的多个样本数据，对选取的多个样本数据中的所述零售商特征数据进行预处理，得到各零售商推荐特征集c＝{c1,c2…cn…cn}，并根据所述中心节点的特征集c′＝{c′1,c′2…c′m…c′m}，计算各个零售商与各中心节点的相似度矩阵其中cn、c′m分别表示任意零售商节点n、任意中心节点m的特征序列，n、m分别零售商总数和中心节点总数，|cn∩cn′|表示特征序列cn和c′m具有相同特征值的特征数，|cn∪cn′|表示特征序列cn和c′m包含的特征总数。
18、进一步的，所述选择商品进行推荐包括：分别计算与各中心节点相连的超边所代表的商品的权重与平均利润率的乘积并排序，剔除零售商已售商品后，选取设定数量的商品进行推荐。
19、本专利技术还公开了一种基于超图神经网络的销售商品推荐系统，包括：
20、数据获取模块：获取各零售商和销售商品的历史数据；
21、数据处理模块：对所述历史数据进行预处理，得到不同时间段的样本数据；
22、模型构建模块：基于所述样本数据，以零售商为节点，商品为超边构建超图模型；
23、模型学习模块：使用超图神经网络对所述超图模型进行卷积迭代学习，得到零售商与商品的优化模型；
24、商品推荐模块：选取所述优化模型中聚集的中心节点，计算零售商特征与多个所述中心节点的特征的相似度，选取相似度最大的中心节点，并根据所述相似度最大的中心节点相连的超边所代表的商品选择商品进行推荐。
25、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于超图神经网络的销售商品推荐方法及系统，通过收集不同零售商售卖商品的历史数据并构建超图模型，利用超图神经网络能够对不同零售商与售卖商品复杂的高阶关联进行深入挖掘，聚合多种不同类型的零售商销售的商品信息，从而针为不同的零售商提供更合适自身特征的商品进行推荐，提高零售商经济效益。
本文档来自技高网...【技术保护点】
1.一种基于超图神经网络的销售商品推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述零售商的历史数据包括：零售商位置坐标、规模、客流量、潜在用户数量、营业时间；所述销售商品的历史数据包括：商品的名称、类型、价格、销量及利润率。
3.根据权利要求2所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述预处理包括：根据固定时间间隔，对所述零售商和销售商品的历史数据进行采样，得到不同时间段内的零售商数据和对应的商品销售数据；
4.根据权利要求1所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述超图模型表示为G＝(V,E,W)，其中V＝{v1,v2,...v|V|}表示节点集合，|V|表示节点总数，E＝{e1,e2,...,e|E|}表示超边集合，|E|表示超边总数，W是超边的权重矩阵；邻接矩阵表示超图的邻接关系，其中任意超边e包含节点v则H(v,e)＝1，否则H(v,e)＝0。
5.根据权利要求4所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述超
6.根据权利要求4所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述构建超图模型后还包括，计算构建好的所述超图模型的导图，根据所述导图确定相似节点，并对所述相似节点进行融合，简化超图模型。
7.根据权利要求6所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述导图表示为其中i，j表示集合V中的任意两个节点，为超图的频率矩阵，定义为其中deg(i)表示i节点的度，|e|i,j∈e}|表示节点i和节点j共同出现在一条超边的数量。
8.根据权利要求3所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述计算零售商特征与所述多个中心节点特征的相似度，包括：选取所述样本数据中所述样本时间特征数据为当前时刻的多个样本数据，对选取的多个样本数据中的所述零售商特征数据进行预处理，得到各零售商推荐特征集C＝{c1,c2…cn…cN}，并根据所述中心节点的特征集C′＝{c′1,c′2…c′m…c′M}，计算各个零售商与各中心节点的相似度矩阵其中cn、c′m分别表示任意零售商节点n、任意中心节点m的特征序列，N、M分别零售商总数和中心节点总数，|cn∩c′n|表示特征序列cn和c′m具有相同特征值的特征数，|cn∪c′n|表示特征序列cn和c′m包含的特征总数。
9.根据权利要求1所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述选择商品进行推荐包括：分别计算与各中心节点相连的超边所代表的商品的权重与平均利润率的乘积并排序，剔除零售商已售商品后，选取设定数量的商品进行推荐。
10.一种基于超图神经网络的销售商品推荐系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于超图神经网络的销售商品推荐方法，其特征在于，包括：
2.根据权利要求1所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述零售商的历史数据包括：零售商位置坐标、规模、客流量、潜在用户数量、营业时间；所述销售商品的历史数据包括：商品的名称、类型、价格、销量及利润率。
3.根据权利要求2所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述预处理包括：根据固定时间间隔，对所述零售商和销售商品的历史数据进行采样，得到不同时间段内的零售商数据和对应的商品销售数据；
4.根据权利要求1所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述超图模型表示为g＝(v,e,w)，其中v＝{v1,v2,...v|v|}表示节点集合，|v|表示节点总数，e＝{e1,e2,...,e|e|}表示超边集合，|e|表示超边总数，w是超边的权重矩阵；邻接矩阵表示超图的邻接关系，其中任意超边e包含节点v则h(v,e)＝1，否则h(v,e)＝0。
5.根据权利要求4所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述超图神经网络包含输入层、节点卷积层、超边卷积层、全连接层，所述节点卷积层和所述超边卷积层后均连接有激活函数层；通过所述节点卷积层将各节点的特征聚集到节点所属的超边上，通过所述超边卷积层将超边上的特征聚集到节点上；
6.根据权利要求4所述的一种基于超图神经网络的销售商品推荐方法，其特征在于，所述构建超图模型后还包括，计算...
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。