申请/专利权人：中国海洋大学

申请日：2023-12-28

公开（公告）日：2024-04-16

公开（公告）号：CN117474637B

主分类号：G06Q30/0601

分类号：G06Q30/0601;G06N3/042;G06N3/0464;G06N3/0455

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.02.20#实质审查的生效;2024.01.30#公开

摘要：本发明提供了一种基于时序图卷积网络的个性化商品推荐方法及系统，属于人工智能技术领域。本发明基于用户与商品的历史交互数据构建网络，构建用户商品属性网络；并且捕捉用户随时间变化的偏好，将网络划分为多个离散的快照，利用时序图卷积网络和Transformer来捕获短期和长期的时序信息，学习表征向量，该向量既包含了节点在网络中的特征和交互关系，又捕获了用户偏好随时间的变化情况；采用余弦相似性度量，评估每个用户对不同商品的喜好，进行精准推荐。本发明能够根据用户和商品历史的交互数据，充分捕获用户和商品交互的演化规律，学习节点高性能的表征向量，进一步提升推荐的准确度，提高用户的体验。

主权项：1.一种基于时序图卷积网络的个性化商品推荐方法，其特征在于，包括如下步骤：S1：获取用户与商品信息数据，构建用户商品属性网络；S2：捕获用户商品属性网络的时间演化信息，将动态属性网络划分为多个网络快照，具体为：将动态属性网络定义为T个静态网络快照的有序序列：G＝{G1，G2，…，GT}，其中T是时间步的数量；每个图快照Gt＝Vt，Et，Xt是一个带权无向图，由节点集合Vt，边集合Et和节点属性矩阵Xt构成；目标是学习在时间步t＝{1，2，…，T}的每个节点v∈V的潜在表征而不仅保存了节点v邻域的结构信息，还捕获了它的时间演化行为；S3：构建神经网络模型：该模型包括时序GCN卷积模块，添加了Transformer层以进一步捕捉时间演化模式，该模型还融合了对比学习来增强模型的表征学习能力；所述S3中：S3-1：时序图卷积模块获取节点表征设计时序GCN卷积模块，该模块的输入是在时间步t的图快照Gt，输出是隐表征Ht∈Rn×d，其中n是图快照的节点数量，d是表征维度；采用了时序GCN来聚合邻居特征以生成节点表示，将前一个时间步获得的节点表示来替换当前时间步的表示，来捕获历史快照信息对于当前时间步的影响，移位操作后的新的表示被用于第二层的输入，并送入下一层卷积操作；Ht融合了图快照中节点间的邻近性和快照间短期时间演化信息，如下所示： 其中t代表时间步，l代表卷积网络的层数，At是图快照的邻接矩阵；初始的输入表征按照进行嵌入转换得到，其中W是一个可训练的线性转换矩阵；S3-2：利用Transformer捕获网络快照间时序信息Transformer层的输入是一个节点v在不同时间步上的隐表征序列，即D是隐表征的维度；输出是节点v在每个时间步t的新表征的序列，即F是新表征的维度；分别将v在每个时间步的输入和输出序列打包在一起，用Yv∈RT×D和Zv∈RT×F分别表示；其中，queries，keys和values分别通过线性投影矩阵Wq∈RD×F，Wk∈RD×F和Wv∈RD×F来投影到不同的空间；时序自注意函数如下： Zv＝βvYvWv4其中，代表节点v在第i个时间步和第j个时间步的注意力权重，βv∈RT×T是从多个注意力函数计算得来的注意力权重矩阵，M∈RT×T是一个掩码矩阵，目的是让时间步t只关注它之前的时间步的影响而忽略未来的时间步，M中每个元素Mij∈{-∞，0}，定义如下： S4：确定所述神经网络模型的损失函数，对所述神经网络模型进行训练，具体包括：1快照间对比学习将相邻快照看作不同的视图，将某个图快照上的节点v看作锚样本，将前一个快照上的相同节点v看作正样本，而其他节点看作负样本；设计了如下的对比损失函数： 其中，sim·衡量了两个节点间的相似性，即σ·和ξ分别是sigmoid激活函数和可训练参数；2使用二元交叉熵损失函数，来鼓励在随机游走中共同出现的节点有相似的表征： 其中，σ是sigmoid函数，·代表内积操作，是在快照t进行固定长度随机游走得到的和v共同出现的节点集合，是在图快照中关于v的负样本，wn代表负采样率，是一个用来平衡正负采样的超参；最后将两个损失函数结合起来，得到最终的损失函数；引入了参数λ1调整两个损失函数的权重；如下所示： S5：根据现有的用户商品属性信息数据，利用训练好的时序图卷积网络模型进行个性化商品推荐输出，选择偏好最大的前k个商品，推荐给用户。

全文数据：

权利要求：

百度查询： 中国海洋大学 基于时序图卷积网络的个性化商品推荐方法及系统

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