[發明專利]基于圖神經網絡與用戶意圖感知的用戶購買行為預測方法

在審

• 申請號: 202111585092.0
• 申請日: 2021-12-22
• 公開（公告）號: CN114331514A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 俞東進;王興亮;王東京
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明將用戶的歷史購買數據中的物品作為一個行為序列，然后基于這些序列構造有向圖，其中每個節點代表用戶購買過的一個物品，每條有向邊表示用戶在購買過此邊的源物品之后購買了指向的物品。基于此圖，通過圖神經網絡捕獲物品之間的聯系以及物品與用戶的聯系并準確地生成物品的向量表示，并且通過用戶意圖感知模塊準確地捕獲用戶當前的意圖，將其作為用戶的向量表示。基于這些物品的向量表示和用戶的向量表示，將其與注意力機制結合，為用戶推薦可能感興趣的物品。

技術領域

本發明屬于數據挖掘與推薦系統技術領域，具體涉及一種基于圖神經網絡與用戶意圖感知的用戶購買行為預測方法。

背景技術

近年來隨著淘寶，京東，拼多多等網絡購物平臺的快速增長，越來越多的用戶，通過購物平臺搜索、查看、購買自己需要的商品。這些用戶的購買數據為分析用戶的行為模式提供了一個很好的機會，我們可以根據用戶的歷史購買序列來分析和預測用戶下一個可能購買的商品。此外，電商平臺可以根據從用戶歷史購買數據中捕獲用戶的偏好與用戶當前的意圖，為用戶推薦他們可能感興趣的內容，進而提高用戶的使用體驗，并且提高電商平臺的營收，實現用戶與電商平臺的雙贏。因此，針對用戶的歷史購買序列的分析受到了大量科研人員的關注。

一般用戶購買行為預測通常采用協同過濾技術和矩陣分解技術來猜測用戶可能的購買行為。其中基于用戶的協同過濾是最流行的協同過濾算法之一，它的核心思想是根據相似的用戶所提供的線索進行推薦。但是，在實際場景中，由于用戶數量非常龐大(例如淘寶注冊用戶數量超過8億)，所有用戶之間的相似度計算會非常困難。另一種常用方法是矩陣分解，它通過分解用戶-物品的偏好矩陣來預測用戶對未交互的物品的評分。但是，在實際場景中，通常存在海量的物品，而且每個用戶只會與其中很少的物品產生交互，因此矩陣分解中的用戶-物品的交互矩陣將會變得非常稀疏，這種非常稀疏的數據會導致推薦效果變差。

近年來，隨著神經網絡的發展，一些基于神經網絡的推薦方法展現出了相對于傳統推薦算法的巨大優勢。通過神經網絡可以挖掘用戶行為序列中更深層次的隱含信息，從而能夠更加全面地為用戶的行為模式進行建模，并且能夠動態適應用戶興趣的改變，最終達到更好的推薦效果。

發明內容

本發明針對現有技術的不足，提出了一種基于圖神經網絡與用戶意圖感知的用戶購買行為預測方法。

本發明將用戶的歷史購買數據中的物品作為一個行為序列，然后基于這些序列構造有向圖，其中每個節點代表用戶購買過的一個物品，每條有向邊表示用戶在購買過此邊的源物品之后購買了指向的物品。基于此圖，通過圖神經網絡捕獲物品之間的聯系以及物品與用戶的聯系并準確地生成物品的向量表示，并且通過用戶意圖感知模塊準確地捕獲用戶當前的意圖，將其作為用戶的向量表示。基于這些物品的向量表示和用戶的向量表示，將其與注意力機制結合，為用戶推薦可能感興趣的物品。

本發明方法的具體步驟是：

步驟(1)輸入用戶的歷史購買數據，其中購買數據包括用戶的ID、物品ID、以及購買的時間戳。

步驟(2)讀取并處理用戶購買行為數據；對于原始的用戶購買行為記錄，每條記錄包含用戶的ID，購買物品的ID以及購買的時間戳；將每個用戶的購買記錄按照時間戳進行先后排序，得到每個用戶行為序列文件；其中每一行為某個用戶的物品購買序列，每個序列中，用戶的ID排在行首，該用戶購買過的物品ID按購買的時間先后順序排在用戶的ID之后，用戶ID與物品ID之間使用逗號分隔；形式為L＝{用戶的ID,物品1的ID,物品2的ID,……,物品n的ID}，＝{v_u,v₁,v₂,v₃,...,v_n}。