申请/专利权人：浙江工业大学

申请日：2020-08-31

公开（公告）日：2024-04-16

公开（公告）号：CN112132188B

主分类号：G06F18/241

分类号：G06F18/241;G06F18/2321;G06Q30/0601;G06N3/0464;G06F18/22;G06N3/0455;G06N3/047;G06N3/0475

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.01.12#实质审查的生效;2020.12.25#公开

摘要：一种基于网络属性的电商用户分类方法，根据电商用户的购物信息使用KNN建立初始网络模型，对初始网络模型使用变分自编码器进行编码解码，通过图卷积神经网络对电商用户数据进行节点分类训练，得到分类的结果。本发明考虑了电商节点之间的拓扑关系及电商数据的内部属性，有效利用了电商网络的相关性信息，分类准确性较高。

主权项：1.一种基于网络属性的电商用户分类方法，其特征在于，所述方法包括如下步骤：步骤1：统计每个电商用户包括收货地址，购买商品种类，以及金额d项信息，用一个d维向量表示，则第i个电商用户信息向量表示为xi＝[xi1,xi2,…,xid]，其中第j项信息xij用一个one-hot向量表示，N个电商用户信息构成用户属性信息矩阵X＝{x1,x2,…,xN}；计算任意两个向量的余弦相似度，进行KNN聚类，相似性高的节点之间添加边，从而得到初始的电商用户网络A，每个节点表示一个电商用户，两个节点之间如果有连边，表示这两个节点有较高的相似度；步骤2：通过变分自编码器VGAE编码后，得到电商用户的节点嵌入向量Z＝GCNμX,A+∈GCNσX,A，GCN表示图卷积神经网络，∈是一个可调参数，GCNμ表示均值向量，GCNσ表示方差向量，再对Z进行解码，得到重建的用户网络 步骤3：计算重建的对称图网络其中 步骤4：计算本轮的电商网络结构 其中η为可调参数，表示融合新老结构的比重；步骤5：计算嵌入向量Z的KL散度，得到图学习模块的损失值 其中， 其中，KL[q‖p]表示计算q和p的散度，qZ|X,A是GCN计算出的分布，pZ是标准高斯分布，α和β为可调参数；步骤6：计算任意节点i,j之间的注意力系数中间值 其中，f·表示的映射，W是权值矩阵；步骤7：计算聚合每个电商用户的k阶邻居节点的相似性矩阵 其中， ，M是过渡矩阵，D是邻接矩阵A*的度矩阵，Di是i节点的度；步骤8：计算任意两个节点i,j之间的注意力系数 步骤9：计算任意节点i在分类模块第l层的节点嵌入向量 其中Γi表示i的邻居节点集合；步骤10：计算半监督分类的损失值 其中表示最后一层输出，Yij是节点的标签，表示的是节点集中带有标签的节点；步骤11：计算本轮迭代的最终损失 其中δ≥0是控制两者之间平衡的可调参数；步骤12：将初始电商用户网络A更改为返回重复执行步骤2，当小于指定的最小损失值后，结束计算，把作为电商用户的分类结果。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于网络属性的电商用户分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD