【技术实现步骤摘要】
本专利技术涉及推荐系统，特别是一种基于图神经网络的多行为序列推荐方法及系统。
技术介绍
1、近年来，随着互联网和大数据技术的发展，推荐系统已成为数字平台中不可或缺的组件。传统的推荐算法主要依赖于用户的历史行为数据，如点击、浏览和购买记录，通常使用协同过滤或基于内容的方法。然而，这些方法在处理用户多样化行为和复杂关系时存在一定的局限性。此外，现有技术的不足之处在于，传统推荐系统通常忽略了用户的多行为序列特征和物品之间的关系网络。而这些特征对于准确理解用户偏好至关重要。具体而言，现有方法往往未能有效整合多种用户行为(如点击、购买、评分等)来构建更为全面的用户画像。用户交互图的动态性不足，无法实时反映用户偏好的变化，导致推荐结果的时效性和准确性受限。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于图神经网络的多行为序列推荐方法及系统解决用户行为多样性和动态互动变化对推荐准确性的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于图神经网络的多行为序列推荐方法，其包括，利用多行为序列数据，构建全局物品图，基于用户在全局物品图中的交互，获取用户交互图；
5、在用户交互图中，构建用户节点特征矩阵和物品节点特征矩阵，并利用图神经网络对用户交互图进行特征学习，更新节点的表示；
6、基于更新后的用户交互图，利用强化学习算法，并结合用户的反
7、作为本专利技术所述基于图神经网络的多行为序列推荐方法的一种优选方案，其中：所述多行为序列数据包括点击次数、购买次数、对物品的评分、物品类别、用户id和物品id。
8、作为本专利技术所述基于图神经网络的多行为序列推荐方法的一种优选方案，其中：利用多行为序列数据，构建全局物品图，包括如下步骤，
9、从多行为序列数据中提取所有物品id，作为物品节点；
10、定义物品之间的关系，根据定义的关系，从用户的多行为序列数据中提取物品类别，建立物品节点之间的边；
11、利用构建的物品节点和边，使用图数据库创建全局物品图的初始结构，共购次数作为边的权重，表示两件物品被一起购买的频率，点击次数的相似性用于计算边的权重，表示用户对物品的关注程度；
12、根据用户行为发生的变化，设计动态更新机制，实时调整全局物品图，利用可视化工具展示物品之间的关系，输出构建完成的全局物品图。
13、作为本专利技术所述基于图神经网络的多行为序列推荐方法的一种优选方案，其中：基于用户在全局物品图中的交互，获取用户交互图，包括如下步骤，
14、从多行为序列数据中提取所有用户id，作为用户节点，物品id作为物品节点，结合用户与物品之间的交互行为创建边，使用图数据库构建用户交互图；
15、利用用户与物品之间新交互的次数，设计动态自适应的图更新机制，更新边权重，表示为，
16、w′＝w+α×δ；
17、其中，w′表示更新后的边权重，w表示初始权重，α表示调节因子，δ表示用户与物品之间新交互的次数；
18、基于边权重的更新，得到更新完成后的用户交互图。
19、作为本专利技术所述基于图神经网络的多行为序列推荐方法的一种优选方案，其中：在用户交互图中，构建用户节点特征矩阵和物品节点特征矩阵，包括如下步骤，
20、基于用户交互图，统计历史交互次数；
21、统计用户交互最多的物品类别，并用独热编码表示，得到偏好物品类别；
22、收集用户最近一次交互的时间戳，得到最近交互时间；
23、将历史交互次数、偏好物品类别和最近交互时间进行整合，得到用户节点特征矩阵；
24、基于用户交互图，统计物品被交互次数；
25、在全局物品图中获取物品类别，使用独热编码表示，得到物品属性；
26、统计所有用户对同一物品的平均评分；
27、将被交互次数、物品属性和平均评分进行整合，得到物品节点特征矩阵。
28、作为本专利技术所述基于图神经网络的多行为序列推荐方法的一种优选方案，其中：基于用户节点特征矩阵和物品节点特征矩阵，利用图神经网络对用户交互图进行特征学习，更新节点的表示，包括如下步骤，
29、定义邻接矩阵来表示用户交互图，并进行归一化处理；
30、在图卷积网络中，用户和物品节点特征矩阵更新公式，表示为，
31、
32、其中，h(l+1)表示第l+1层的用户和物品节点特征矩阵，h(l)表示第l层的用户和物品节点特征矩阵，w(l)表示学习的权重矩阵，σ表示激活函数，表示归一化的邻接矩阵；
33、由用户和物品节点的特征矩阵构成初始特征矩阵；
34、通过多层的图卷积操作，将用户和物品的特征矩阵进行聚合，输出每个用户节点和物品节点的新的表示。
35、作为本专利技术所述基于图神经网络的多行为序列推荐方法的一种优选方案，其中：基于更新后的用户交互图，利用强化学习算法，并结合用户的反馈，生成个性化的推荐列表，包括如下步骤，
36、基于更新后的用户交互图，获取用户和物品节点的更新后的特征向量，利用用户节点的更新后的特征向量和当前时间的用户行为构成状态空间，利用物品节点的更新后的特征向量形成推荐列表构成动作空间，基于用户反馈，设定奖励机制；
37、利用dqn，计算在状态下采取动作的q值，使用贝尔曼方程更新q值；
38、使用ε-贪婪策略在探索和利用之间平衡，决定动作选择；
39、基于学习到的q值输出推荐物品的概率分布，从中选取q值最大的推荐列表，在生成推荐列表时，考虑用户的实时行为数据，动态调整推荐内容，生成包含推荐物品的id和名称的个性化推荐列表。
40、第二方面，本专利技术提供了一种基于图神经网络的多行为序列推荐系统，包括，用户交互图构建模块，负责利用多行为序列数据，构建全局物品图，基于用户在全局物品图中的交互，获取用户交互图；
41、用户交互图特征学习模块，负责在用户交互图中，构建用户节点特征矩阵和物品节点特征矩阵，并利用图神经网络对用户交互图进行特征学习，更新节点的表示；
42、个性化推荐列表生成模块，负责基于更新后的用户交互图，利用强化学习算法，并结合用户的反馈，生成个性化的推荐列表。
43、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于图神经网络的多行为序列推荐方法的任一步骤。
44、第四方面，本专利技术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，其中：所述计算机程序被处理器执行时实现如本专利技术第一方面所述的基于图神经网络的多行为序列推荐方法的任一步骤。
45、本本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的多行为序列推荐方法，其特征在于：包括，
2.如权利要求1所述的基于图神经网络的多行为序列推荐方法，其特征在于：所述多行为序列数据包括点击次数、购买次数、对物品的评分、物品类别、用户ID和物品ID。
3.如权利要求2所述的基于图神经网络的多行为序列推荐方法，其特征在于：利用多行为序列数据，构建全局物品图，包括如下步骤，
4.如权利要求3所述的基于图神经网络的多行为序列推荐方法，其特征在于：基于用户在全局物品图中的交互，获取用户交互图，包括如下步骤，
5.如权利要求4所述的基于图神经网络的多行为序列推荐方法，其特征在于：在用户交互图中，构建用户节点特征矩阵和物品节点特征矩阵，包括如下步骤，
6.如权利要求5所述的基于图神经网络的多行为序列推荐方法，其特征在于：基于用户节点特征矩阵和物品节点特征矩阵，利用图神经网络对用户交互图进行特征学习，更新节点的表示，包括如下步骤，
7.如权利要求6所述的基于图神经网络的多行为序列推荐方法，其特征在于：基于更新后的用户交互图，利用强化学习算法，并结合用户
8.一种基于图神经网络的多行为序列推荐系统，基于权利要求1～7任一所述的基于图神经网络的多行为序列推荐方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于图神经网络的多行为序列推荐方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于图神经网络的多行为序列推荐方法的步骤。
...【技术特征摘要】
1.一种基于图神经网络的多行为序列推荐方法，其特征在于：包括，
2.如权利要求1所述的基于图神经网络的多行为序列推荐方法，其特征在于：所述多行为序列数据包括点击次数、购买次数、对物品的评分、物品类别、用户id和物品id。
3.如权利要求2所述的基于图神经网络的多行为序列推荐方法，其特征在于：利用多行为序列数据，构建全局物品图，包括如下步骤，
4.如权利要求3所述的基于图神经网络的多行为序列推荐方法，其特征在于：基于用户在全局物品图中的交互，获取用户交互图，包括如下步骤，
5.如权利要求4所述的基于图神经网络的多行为序列推荐方法，其特征在于：在用户交互图中，构建用户节点特征矩阵和物品节点特征矩阵，包括如下步骤，
6.如权利要求5所述的基于图神经网络的多行为序列推荐方法，其特征在于：基于用户节点特征矩阵和物品...
【专利技术属性】
技术研发人员：张峰，张浩，高洁，张超，张宇宁，
申请(专利权)人：北京鸿途信达科技股份有限公司，
类型：发明
国别省市：
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。