[發明專利]一種基于異構圖表達學習的跨境電商推薦方法

有效

• 申請號: 202110728252.6
• 申請日: 2021-06-29
• 公開（公告）號: CN113409121B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 朱桂祥;曹杰;張瑾;夏天豪;王宇琛;溫宇
• 申請（專利權）人: 南京財經大學
• 主分類號: G06F17/18
• 分類號: G06F17/18
• 代理公司: 南京蘇創專利代理事務所(普通合伙) 32273
• 代理人: 常曉慧

本發明公開了一種基于異構圖表達學習的跨境電商推薦方法，在一個真實的跨境電商數據集上進行定量分析，通過隱語義主題模型LDA，得到跨境電商產品的主題概率分布，選擇最大的概率分布值對應的主題作為最終產品的主題，構造“用戶?產品?主題”三部圖，針對“用戶?產品?主題”三部圖中存在高階邊關系的用戶和項目，提出HNGR分別進行嵌入式的傳播學習，包含信息傳播和信息聚合，得到高質量的用戶和產品表達向量，通過多層感知機MLP去建?！坝脩?產品”的交互產生推薦結果。本發明以跨境電商平臺用戶購買記錄數據為驅動，以異構圖表達學習的圖神經網絡為模型，能夠有助于識別用戶的興趣偏好，同時能緩解“用戶?產品”購買矩陣的稀疏性問題。

技術領域

本發明涉及人工智能領域，具體涉及一種基于異構圖表達學習的跨境電商推薦方法(Heterogeneous Neural Graph Recommendation，簡寫為HNGR)。

背景技術

針對傳統的購物場景，已經有一些成熟的推薦算法在被廣泛應用，其中最為經典的就是基于協同過濾的推薦、基于矩陣分解的推薦和基于內容的推薦這三種，但由于跨境電商產品信息類型多樣、種類復雜、“用戶-項目”矩陣極為稀疏并且冷啟動問題突出，導致這三種模型在推薦過程中很難奏效。此外，基于協同過濾或者矩陣分解等改進的推薦模型，只考慮了用戶對產品的“顯式”和“隱式”的反饋信息，而忽視了由用戶與項目組成的圖結構信息和產品之間的隱語義主題關聯，推薦性能很難滿足平臺和用戶的要求。

發明內容

本發明的目的在于提供一種基于異構圖表達學習的跨境電商推薦方法。具體而言，在一個真實的跨境電商數據集上進行定量分析，通過隱語義主題模型(LatentDirichlet Allocation,LDA)，得到跨境電商產品的主題概率分布，選擇最大的概率分布值對應的主題作為最終產品的主題。然后構造“用戶-產品-主題”三部圖，針對“用戶-產品-主題”三部圖中存在高階邊關系的用戶和項目，本發明設計了Heterogeneous Neural GraphRecommendation(HNGR)推薦模型，分別進行嵌入式的傳播學習，具體包含信息傳播和信息聚合，得到高質量的用戶和產品表達向量，通過多層感知機(Multi-Layer Perceptron,MLP)去建模“用戶-產品”的交互，基于此來預測用戶對產品的交互分值，最后采用函數獲取模型的輸出(即用戶u購買推薦候選項集中每一個產品的概率)。

實現本發明目的的技術解決方案為：一種基于異構圖表達學習的跨境電商推薦方法，包括如下步驟：

步驟1)：對跨境電商用戶的原始數據進行提取，分別獲得訂單數據和產品描述數據；其中，訂單數據表示為一個3元組：描述為User_ID,Item_ID,Quantity，其中User_ID為用戶標識，Item_ID為用戶購買的產品的唯一標識，Quantity為用戶累計購買產品的數量；產品描述數據描述為Item_ID,Title,Price，其中Title為商品的標題；Price為產品價格；對訂單數據進行去除噪音數據和缺失數據的操作，獲得最終“用戶-產品”購買矩陣M，對產品描述數據進行去除噪音數據和缺失數據的操作獲得產品文本描述數據D；轉入步驟2)。

步驟2)：基于產品文本描述數據D，挖掘產品的隱語義主題，利用主題信息識別用戶的興趣偏好；對于任意一個產品經過隱語義主題模型泛化后獲取所有電商產品的主題，最終獲得“主題-產品”矩陣T，轉入步驟3)。

步驟3)：基于“用戶-產品”購買矩陣M和“主題-產品”矩陣T，構造跨境電商“用戶-產品-主題”三部圖：

若“用戶-產品”購買矩陣M和“主題-產品”矩陣T中的元素不為空，則其分別對應的用戶u和產品i，以及主題t和產品i之間的節點則會產生一條邊；遍歷完跨境電商“用戶-產品”購買矩陣M和“主題-產品”矩陣T中的元素，從而構造出“用戶-產品-主題”三部圖，記為G＝(V,R)，其中V為“用戶-產品-主題”三部圖中節點集合，R為“用戶-產品-主題”三部圖中的邊集合，轉入步驟4)。