【技术实现步骤摘要】
本专利技术涉及电商用户偏好识别，特别涉及一种基于缺失视角半监督分类的电商平台用户偏好识别方法。
技术介绍
1、随着电商平台的不断壮大，所售卖的商品规模急剧增加，用户感兴趣的内容往往被淹没在海量商品信息中，因此如何准确识别用户的购买偏好，进而推荐符合其需求偏好的商品已经成为一个迫切的问题。电商平台通常会在用户注册及初始登录平台时主动向用户询问购物偏好信息，但是受到用户体验和隐私方面的限制，在此阶段愿意接受询问的用户数量有限。
2、考虑到电商平台系统中存储着大量的用户行为数据，这些数据中蕴含着丰富的用户信息，包括用户的购买行为、浏览记录、社交互动等，因此现有的大多数用户偏好识别方法基于协同过滤的方法挖掘用户之间的潜在关联，可以有效通过用户之间的相似行为推断用户购买偏好信息。然而，这些方法主要依赖于用户的单一类行为，例如浏览记录，提取的关系单一，无法捕获多源复杂关系。因此，为了充分利用用户多源异构的行为信息，许多方法考虑基于多视角学习整合用户的多源异构行为信息，以充分挖掘用户购买行为、浏览记录、社交互动等融合信息的价值，全面刻画用户行为偏好特征。但是，在电商平台系统中，某些用户的购买行为、浏览记录、社交互动等行为数据并不是同时存在的，这可能是由于系统故障，或用户还未购买任何商品导致，这种存在缺失视角的数据上运行基于多视角学习的用户偏好识别方法，会由于对可用视角的过度学习而引入学习偏差，因此当视角的缺失率较大时，用户偏好识别的准确率明显下降，用户的购物体验也会变差。
3、因此，为解决上述问题，亟需提出一种基于缺失
技术实现思路
1、本专利技术的目的在于提供一种基于缺失视角半监督分类的电商用户偏好识别方法，以解决在有缺失视角的用户数据上，用户偏好识别准确率低的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是一种基于缺失视角半监督分类的电商平台用户偏好识别方法，包括以下步骤：
3、s1、根据用户不同视角的数据构建原始多视角数据集和指示矩阵，并根据用户偏好信息构建标签矩阵；
4、s2、基于原始多视角数据集构建视角特定的图矩阵集合；
5、s3、根据视角特定的图矩阵集合结合图神经网络补充用户缺失的视角数据；
6、s4、计算实例级对比损失、类别级对比损失，反向传播更新图神经网络的可训练参数矩阵；
7、s5、连接多视角数据获得用户视角的融合特征；
8、s6、基于视角特定的图矩阵集合构建全局图矩阵；
9、s7、基于全局图矩阵和用户视角的融合特征对未识别到购买偏好的用户进行半监督分类；
10、s8、根据用户购买偏好的交叉熵误差评估预测损失，执行反向传播更新全局图特征和可训练参数；
11、s9、重复训练模型，输出用户偏好预测标签。
12、进一步的，步骤s1中，所述原始多视角数据集表示为x＝{x(1)，x(2)，x(3)}，式中，x表示原始多视角数据集，x(1)表示购买行为数据，x(2)表示浏览记录数据，x(3)表示社交互动数据；
13、所述指示矩阵表示为w∈{0，1}n×3，式中，w为指示矩阵，n为用户的数量；
14、所述标签矩阵表示为式中，y为标签矩阵，为实数集，ω为已标记购买偏好的用户集合，|ω|＜＜n，c是用户购买偏好商品类别的数量。
15、进一步的，步骤s2中，所述构建视角特定的图矩阵集合包括以下步骤：
16、s21、在每个视角中根据用户的视角数据计算每对用户间的余弦相似度，获得每个视角中用户的相似度矩阵集合式中，f(v)为用户第v个视角的相似度矩阵，为实数集，n为用户的数量，表示第i个用户第v个视角的缺失视角指示值；
17、s22、如果用户缺失某一视角的数据，则在其他视角中搜素该用户的最近邻居，获取该用户的最近邻居在缺失的视角对应视角数据的平均值，补充该用户的视角数据；
18、s23、在补充用户缺失的视角数据后，在每个视角中分别构造所有用户的k近邻图矩阵，构建视角特定的图矩阵集合s(v)表示第v个视角的图矩阵。
19、进一步的，步骤s3中，所述补充用户缺失的视角数据包括以下步骤：
20、s31、初始化视角对应的图神经网络可训练参数矩阵，获取视角对应的初始用户特征嵌入式中，u(v)表示第v个视角的初始用户特征嵌入，x(v)表示用户第v个视角的原始数据，表示第v个视角的图神经网络可训练参数矩阵，gnn表示图神经网络；
21、s32、获取视角对应的邻居节点信息：
22、
23、式中，为第v个视角的聚合跳数为q的邻居节点信息，q≥1，α为重启概率，为第v个视角的对称归一化邻接矩阵，为为第v个视角的聚合跳数为q-1的邻居节点信息，d(v)为度矩阵，s(v)表示第v个视角的图矩阵，in为单位矩阵；
24、s33、获取视角对应的多视角数据集：
25、
26、式中，表示第v个视角的多视角数据；
27、s34、补充其他视角缺失的视角数据，若则将赋给否则将赋给如下式所示：
28、
29、式中，表示第i个用户第v个视角的完全多视角数据，表示第i个用户第v个视角的多视角数据，表示第i个用户第v个视角的原始数据，表示第i个用户第v个视角的缺失视角指示值；
30、获取初始化完全多视角数据表示补全后的用户购买行为数据，表示补全后的用户浏览记录数据，表示补全后的社交互动数据。
31、进一步的，步骤s4中，所述实例级对比损失表示为：
32、
33、式中，为实例级对比损失，o(v，u)为第v个视角和第u个视角嵌入表示之间的相似度矩阵，diag为对角矩阵，in为单位矩阵；
34、所述类别级对比损失表示为：
35、
36、式中，为第v个视角的类别级对比损失，ω是已标记购买偏好的用户集合，φi表示与第i个用户购买商品偏好相同的用户集合，为第i个用户第v个视角的完全多视角数据，为第j个商品第v个视角的完全多视角数据，表示第t个用户第v个视角的完全多视角数据，log为对数函数，sim(·)表示余弦相似度计算函数，exp为指数函数，τ为超参数。
37、进一步的，步骤s4中，所述更新图神经网络的可训练参数矩阵为：
38、计算实例级-类别级双对比损失
39、
40、式中，为实例级对比损失，为第v个视角的类别级对比损失；
41、根据双对比损失执行一次反向传播，更新优化图神经网络的可训练参数矩阵集表示第v个视角的图神经网络可训练参数矩阵，计算所有视角的重构损失：
42、
43、式中为重构损失，n为用户的数量，为第i个用户第v个视角的完全多视角数据，d(v)为第v个视角的解码器，为第i个用户第v个视角的嵌入表示矩阵，由第v个本文档来自技高网...
【技术保护点】
1.一种基于缺失视角半监督分类的电商平台用户偏好识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于缺失视角半监督分类的电商平台用户偏好识别方法，其特征在于，步骤S1中，所述原始多视角数据集表示为X＝{X(1),X(2),X(3)}，式中，X表示原始多视角数据集，X(1)表示购买行为数据，X(2)表示浏览记录数据，X(3)表示社交互动数据；
3.根据权利要求1所述的一种基于缺失视角半监督分类的电商平台用户偏好识别方法，其特征在于，步骤S2中，所述构建视角特定的图矩阵集合包括以下步骤：
4.根据权利要求1所述的一种基于缺失视角半监督分类的电商平台用户偏好识别方法，其特征在于，步骤S3中，所述补充用户缺失的视角数据包括以下步骤：
5.根据权利要求1所述的一种基于缺失视角半监督分类的电商平台用户偏好识别方法，其特征在于，步骤S4中，所述实例级对比损失表示为：
6.根据权利要求1所述的一种基于缺失视角半监督分类的电商平台用户偏好识别方法，其特征在于，步骤S4中，所述更新图神经网络的可训练参数矩阵为：
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。