[發(fā)明專利]基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910836929.0
• 申請日: 2019-09-05
• 公開（公告）號: CN110490717B
• 公開（公告）日: 2021-11-05
• 發(fā)明（設(shè)計）人: 楊振宇;張鳴鴿
• 申請（專利權(quán)）人: 齊魯工業(yè)大學(xué)
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535;G06F16/9537;G06F16/36;G06N3/04
• 代理公司: 濟(jì)南圣達(dá)知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 張慶騫

1.一種基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦方法，其特征在于，包括：

接收在同一時間單位內(nèi)被點擊商品序列，作為一個會話并以有向圖的形式建模，構(gòu)建出會話圖；其中，會話圖采用嵌入向量的形式表示；

將嵌入向量形式的多個會話圖輸入至門控圖神經(jīng)網(wǎng)絡(luò)，輸出所述會話圖中包含的所有商品的后驗概率；

按照從大到小的順序，篩選出后驗概率排在前預(yù)設(shè)位數(shù)對應(yīng)的商品，作為用戶偏好商品預(yù)測結(jié)果并進(jìn)行逐個推薦；

輸出所述會話圖中包含的所有商品的后驗概率具體為：基于連續(xù)時間的會話生成的方法來實現(xiàn)推薦：

給出觀測的時間T＝{t₀,t₁,…,t_n}和一個初始狀態(tài)利用常微分方程求解器ODEsessSolver計算表示每個時間點的潛在狀態(tài)同時生成每一個潛在狀態(tài)的采樣輸出商品推薦模型定義為如下形式：

其中，每一層圖神經(jīng)網(wǎng)絡(luò)在當(dāng)前的時間點上取值為對應(yīng)的S，并且輸出梯度門控圖神經(jīng)網(wǎng)絡(luò)在有序地消耗數(shù)據(jù)后，輸出每一個商品的后驗概率；

利用神經(jīng)常微分方程的方法進(jìn)行訓(xùn)練和優(yōu)化所述門控圖神經(jīng)網(wǎng)絡(luò)，其根據(jù)用戶的任一時間點的狀態(tài)進(jìn)行前向預(yù)測或后向的推薦。

2.如權(quán)利要求1所述的基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦方法，其特征在于，在會話圖中，每一個節(jié)點表示一個商品，每一條邊為商品被點擊的順序，每一條邊的權(quán)重等于該邊出現(xiàn)的次數(shù)除以該邊的起始節(jié)點的出度；每個商品都嵌入一個統(tǒng)一的嵌入空間，每個商品采用節(jié)點向量表示。

3.如權(quán)利要求1所述的基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦方法，其特征在于，在門控圖神經(jīng)網(wǎng)絡(luò)中，前向傳播后保留所有層的激活值。

4.一種基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦系統(tǒng)，其特征在于，包括：

會話圖構(gòu)建模塊，其用于接收在同一時間單位內(nèi)被點擊商品序列，作為一個會話并以有向圖的形式建模，構(gòu)建出會話圖；其中，會話圖采用嵌入向量的形式表示；

商品后驗概率計算模塊，其用于將嵌入向量形式的多個會話圖輸入至門控圖神經(jīng)網(wǎng)絡(luò)，輸出所述會話圖中包含的所有商品的后驗概率；

推薦結(jié)果輸出模塊，其用于按照從大到小的順序，篩選出后驗概率排在前預(yù)設(shè)位數(shù)對應(yīng)的商品，作為用戶偏好商品預(yù)測結(jié)果并進(jìn)行逐個推薦；

輸出所述會話圖中包含的所有商品的后驗概率具體為：基于連續(xù)時間的會話生成的方法來實現(xiàn)推薦：

給出觀測的時間T＝{t₀,t₁,…,t_n}和一個初始狀態(tài)利用常微分方程求解器ODEsessSolver計算表示每個時間點的潛在狀態(tài)同時生成每一個潛在狀態(tài)的采樣輸出商品推薦模型定義為如下形式：

其中，每一層圖神經(jīng)網(wǎng)絡(luò)在當(dāng)前的時間點上取值為對應(yīng)的S，并且輸出梯度門控圖神經(jīng)網(wǎng)絡(luò)在有序地消耗數(shù)據(jù)后，輸出每一個商品的后驗概率；利用神經(jīng)常微分方程的方法進(jìn)行訓(xùn)練和優(yōu)化所述門控圖神經(jīng)網(wǎng)絡(luò)，其根據(jù)用戶的任一時間點的狀態(tài)進(jìn)行前向預(yù)測或后向的推薦。

5.如權(quán)利要求4所述的基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦系統(tǒng)，其特征在于，在所述會話圖構(gòu)建模塊中，會話圖中的每一個節(jié)點表示一個商品，每一條邊為商品被點擊的順序，每一條邊的權(quán)重等于該邊出現(xiàn)的次數(shù)除以該邊的起始節(jié)點的出度；每個商品都嵌入一個統(tǒng)一的嵌入空間，每個商品采用節(jié)點向量表示。

6.如權(quán)利要求4所述的基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦系統(tǒng)，其特征在于，所述基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦系統(tǒng)，還包括：

門控圖神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練模塊，其用于利用神經(jīng)常微分方程的方法進(jìn)行訓(xùn)練和優(yōu)化所述門控圖神經(jīng)網(wǎng)絡(luò)。

7.如權(quán)利要求4所述的基于用戶會話及圖卷積神經(jīng)網(wǎng)絡(luò)的商品推薦系統(tǒng)，其特征在于，在門控圖神經(jīng)網(wǎng)絡(luò)中，前向傳播后保留所有層的激活值。