[發明專利]圖神經網絡模型構建方法、用于商品推薦的方法、裝置及設備在審
| 申請號： | 202011528670.2 | 申請日： | 2020-12-22 |
| 公開（公告）號： | CN112633978A | 公開（公告）日： | 2021-04-09 |
| 發明（設計）人： | 孫天昊;陳仁欽;劉禮輝;梅騰;夏云霓 | 申請（專利權）人： | 重慶大學 |
| 主分類號： | G06Q30/06 | 分類號： | G06Q30/06;G06N3/08;G06N3/04 |
| 代理公司： | 北京康盛知識產權代理有限公司 11331 | 代理人： | 陶俊潔 |
| 地址： | 400044 *** | 國省代碼： | 重慶;50 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 神經網絡 模型 構建 方法 用于 商品 推薦 裝置 設備 | ||
1.一種用于商品推薦的圖神經網絡模型構建方法，其特征在于，
獲取用戶的行為數據、商品之間的關系、商家之間的關系、用戶之間的關系、商品和商家之間的關系；
根據所述行為數據、商品之間的關系、商家之間的關系、用戶之間的關系、商品和商家之間的關系獲取多路異構圖；
根據所述多路異構圖獲得圖神經網絡模型。
2.根據權利要求1所述的方法，其特征在于，根據所述行為數據、商品之間的關系、商家之間的關系、用戶之間的關系、商品和商家之間的關系獲取多路異構圖，包括：
將所述行為數據、商品之間的關系、商家之間的關系、用戶之間的關系、商品和商家之間的關系作為邊，并將所述用戶、商品或商家作為節點，構建多路異構圖。
3.根據權利要求1所述的方法，其特征在于，根據所述多路異構圖獲得所述圖神經網絡模型，包括：
獲取所述多路異構圖中各節點的特征嵌入向量和各所述節點的邊嵌入向量；
根據所述特征嵌入向量和所述邊嵌入向量獲取各所述節點的聚合特征向量；
對任意兩個節點的聚合特征向量求內積，獲得所述兩個節點的相關性評分；
獲取所述相關性評分的損失值；
在所述損失值不滿足預設條件的情況下，根據所述損失值調整所述特征嵌入向量和所述邊嵌入向量，直到所述損失值滿足所述預設條件；
在所述損失值滿足所述預設條件的情況下，獲得所述圖神經網絡模型。
4.根據權利要求3所述的方法，其特征在于，獲取所述多路異構圖中各節點的特征嵌入向量和各所述節點的邊嵌入向量，包括：
通過隨機游走算法在所述多路異構圖中提取γ條路徑，γ≥2；
各所述路徑包括所述多路異構圖中的節點和邊；
將所述路徑中任一節點作為目標節點，在包含所述目標節點的路徑中提取w個所述目標節點的鄰居節點；
獲取所述鄰居節點與所述目標節點之間的邊，w＞0；
對所述目標節點進行特征嵌入，得到所述目標節點的特征嵌入向量，直到所述路徑中所有節點均進行特征嵌入；對所述目標節點進行邊嵌入，得到所述目標節點的邊嵌入向量，直到所述路徑中所有節點均進行邊嵌入。
5.一種用于商品推薦的方法，其特征在于，根據如權利要求1至4任一項所述的方法構建的圖神經網絡模型對用戶進行商品推薦。
6.根據權利要求5所述的方法，其特征在于，根據所述圖神經網絡模型對用戶進行商品推薦，包括：
獲取用戶的行為數據、商品之間的關系、商家之間的關系、用戶之間的關系、商品和商家之間的關系；
將用戶的行為數據、商品之間的關系、商家之間的關系、用戶之間的關系、商品和商家之間的關系輸入所述圖神經網絡模型進行計算，獲得相關性評分；
根據所述相關性評分對所述用戶進行商品推薦。
7.一種用于商品推薦的圖神經網絡模型構建裝置，包括第一處理器和存儲有第一程序指令的第一存儲器，其特征在于，所述第一處理器被配置為在執行所述第一程序指令時，執行如權利要求1至4任一項所述的用于商品推薦的圖神經網絡模型構建方法。
8.一種用于商品推薦的裝置，包括第二處理器和存儲有第二程序指令的第二存儲器，其特征在于，所述第二處理器被配置為在執行所述第二程序指令時，執行如權利要求5或6所述的用于商品推薦的方法。
9.一種設備，其特征在于，包括如權利要求7所述的用于商品推薦的圖神經網絡模型構建裝置。
10.一種設備，其特征在于，包括如權利要求8所述的用于商品推薦的裝置。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于重慶大學，未經重慶大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011528670.2/1.html，轉載請聲明來源鉆瓜專利網。
