[發明專利]一種基于多種用戶表示融合的商品推薦方法

有效

• 申請號: 202110444714.1
• 申請日: 2021-04-24
• 公開（公告）號: CN113159891B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 蔡國永;宋亞飛
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535;G06F40/289;G06N3/04;G06N3/08;G06N7/00
• 代理公司: 鹽城創佳智科專利代理事務所(普通合伙) 32476
• 代理人: 卜祥奎

1.一種基于多種用戶表示融合的商品推薦方法，其特征在于，包括如下步驟：

1.1根據用戶-商品二分圖，通過圖神經網絡得到用戶靜態偏好表示和商品節點的向量表示，構建用戶-商品二分圖的具體步驟如下：首先設用戶-商品交互矩陣為其中M和N分別是用戶數和商品數，如果用戶u購買了商品p，則R中第u行第p列的條目R_up為1，否則為0，然后可以得到用戶-商品二分圖的鄰接矩陣表示其中R^T是R的轉置；

1.2獲取用戶最近購買的商品序列，提取用戶的動態偏好表示；

1.3獲取用戶的評論文檔，提取用戶評論的向量表示，用戶評論的向量表示的提取方法如下：根據用戶的歷史商品購買記錄獲取用戶撰寫的所有評論，將這些評論合并到用戶評論文檔中，并對用戶評論文檔進行分詞、詞形還原、移除停用詞預處理操作，然后通過評論特征提取器對預處理后的用戶評論文檔進行特征提取，得到用戶評論的向量表示評論特征提取器的步驟如下：將評論文本中的單詞序列表示為[w₁，w₂，...，w_l]，其中l是輸入文本的長度，然后使用glove詞嵌入將單詞序列轉換為單詞向量矩陣其中d_s是單詞向量大小，為單詞向量矩陣注入可學習的位置嵌入得到輸入矩陣將輸入矩陣通過非線性變換映射到相同的空間得到自注意力模型的query向量Q＝LeakyReLU(W_QX)和key向量K＝LeakyReLU(W_KX)，然后通過query和key計算關聯矩陣將關聯矩陣與value向量V＝X相乘得到自注意力模型的輸出C＝AX＝[c₁，c₂，...，c_l]^T，將自注意力模型的l個輸出的平均作為用戶的動態表示

1.4得到用戶最終表示和商品最終表示；

1.5計算用戶和商品的相似度；

1.6通過貝葉斯個性化排序損失優化提出方法中的參數。

2.根據權利要求1所述的一種基于多種用戶表示融合的商品推薦方法，其特征在于，所述1.1中得到用戶靜態偏好表示和商品節點的向量表示的具體方法如下：

2.1根據用戶完整的歷史商品購買記錄構建用戶-商品二分圖；

2.2通過鄰居聚合操作聚合用戶-商品二分圖上節點的特征向量表示，得到用戶節點的向量表示和商品節點的向量表示，由于用戶-商品二分圖中包含了用戶過去所有的商品購買記錄，因此我們認為得到的用戶節點的向量表示中包含的是用戶的相對穩定的靜態偏好，因此我們將用戶節點的向量表示用作用戶的靜態偏好表示。

3.根據權利要求2所述的一種基于多種用戶表示融合的商品推薦方法，其特征在于，所述2.2中鄰居聚合操作的具體步驟如下：

3.1設初始的用戶-商品二分圖的特征矩陣為其中d_n為嵌入大小，然后我們使用K層的鄰居傳播和聚合來聚合節點鄰居的特征和圖中的結構特征，傳播過程定義為：其中為對角矩陣，其中每個條目D_ii表示用戶-商品鄰接矩陣A中第i行向量中非零條目的數量；

3.2通過K層的鄰居傳播和聚合，我們可以得到從用戶-商品二分圖的K個特征矩陣[E⁽⁰⁾，E⁽¹⁾，...，E^(K)]，將這K個特征矩陣級聯，從而得到最終的用戶-商品特征矩陣然后通過嵌入查找層我們可以得到用戶靜態偏好表示和商品節點的向量表示

4.根據權利要求1所述的一種基于多種用戶表示融合的商品推薦方法，其特征在于，所述1.2中用戶動態偏好表示的提取方法如下：

4.1相比于完整的商品購買記錄而言，我們認為用戶近期購買的商品中蘊含著用戶隨時間變化的動態偏好，因此我們從用戶完整的商品歷史購買記錄中截取n項作為用戶近期的商品購買序列，通過GRU對近期商品購買序列進行處理，得到用戶的動態偏好表示