本发明涉及,特别是指一种基于图网络的商品信息推荐方法及电子设备。
背景技术:
随着电子商务的发展,网络购物成为一种趋势,商品信息推荐成了电商挖掘客户需求提高营业额的主要手段。
推荐系统首先收集用户的历史行为数据,然后通过预处理的方法得到用户评价矩阵,再利用机器学习领域中相关推荐技术形成对用户的个性化推荐。有的推荐系统还搜集用户对推荐结果的反馈,并根据实际的反馈信息实时调整推荐策略,产生更符合用户需求的推荐结果。
然而目前的商品信息推荐机制都比较单一且在给定场景中无法对所有用户自动选择合适的推荐算法进行推荐,因此推荐信息不够高效精准。
技术实现要素:
有鉴于此,本发明的目的在于提出一种将多种推荐机制组合可自动针对每个用户给出个性化推荐算法,实现高效精准信息推荐的基于图网络的商品信息推荐方法及电子设备。
基于上述目的,本发明提供了一种基于图网络的商品信息推荐方法,其特征在于,包括:
定义有序推荐路径;
使用注意机制分析所述有序推荐路径的重要性,使用相加操作实现所述有序推荐路径的嵌入,得到基于图嵌入的统一协作过滤框架的目标函数;
选择对应于不同所述有序推荐路径的推荐算法;
基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型;
训练基于图网络的推荐算法选择模型,得到推荐算法自动选择模型;
使用所述推荐算法自动选择模型选择推荐算法,依据所述推荐算法向用户推荐商品信息。
在一些实施方式中,所述定义有序推荐路径,具体包括:
定义三元组
在一些实施方式中,所述有序推荐路径中的任意两个商品遵守唯一性和有序性,其中:
定义
所述唯一性为:
所述有序性为:
在一些实施方式中,所述注意机制具体包括公式:
其中
在一些实施方式中,所述相加操作具体包括公式:
其中
在一些实施方式中,所述基于图嵌入的统一协作过滤框架的目标函数具体包括:
其中,
在一些实施方式中,所述基于图嵌入的统一协作过滤框架的目标函数使用欧几里得距离作为唯一的距离度量。
在一些实施方式中,所述推荐算法具体包括如下中的一种或多种:一阶矩阵分解、贝叶斯个性排序、分解马尔科夫链、混合推荐。
在一些实施方式中,所述训练基于图网络的推荐算法选择模型的过程采用预热训练策略。
此外本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上述实施方式中任意一项所述的方法。
从上面所述可以看出,本发明提供的一种基于图网络的商品信息推荐方法及电子设备首次将用户的购买行为映射到了网络图中,并通过定义时序推荐路径来捕获用户的购物行为,将多个推荐算法和不同的路径相对应,最终将模型映射到网络领域;首次引入注意力机制,从多个算法模型中进行了选择,从而针对每个用户商品键对,给出了最为精准的推荐信息;不仅将几种已知的推荐算法包含在内,并在此基础进行了更高阶的算法框架扩展,提高了推荐系统的效率,使得商品信息推荐更加高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的一种基于图网络的商品信息推荐方法的流程图;
图2为本发明一个实施例的有序推荐路径的示例图;
图3为本发明一个实施例的基于图嵌入的统一协作过滤框架的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
随着电子商务的发展,网络购物成为一种趋势,商品信息推荐成了电商挖掘客户需求提高营业额的主要手段。
推荐系统首先收集用户的历史行为数据,然后通过预处理的方法得到用户评价矩阵,再利用机器学习领域中相关推荐技术形成对用户的个性化推荐。有的推荐系统还搜集用户对推荐结果的反馈,并根据实际的反馈信息实时调整推荐策略,产生更符合用户需求的推荐结果。其中协同过滤系统成为最重要的一种推荐模型,包括时序的推荐模型,以及非时序的推荐模型等。但是给定一个新的场景,这些模型只能对部分的用户进行正确的推荐,因此,如何针对用户的购物行为自动的选择合适的模型进行推荐,便是一个十分重要的,急需解决的问题。而且目前的商品信息推荐机制都比较单一且在给定场景中无法对所有用户自动选择合适的推荐算法进行推荐,因此推荐信息不够高效精准。
有鉴于此,本发明的目的在于提出一种将多种推荐机制组合可自动针对每个用户给出个性化推荐算法,实现高效精准信息推荐的基于图网络的商品信息推荐方法及电子设备。具体的,本发明提出了ugrec(unifiedcollaborativefilteringframeworkovergraphembeddings)即基于图嵌入的统一协作过滤框架和传统算法相结合搭建推荐算法自动选择模型,基于用户的购物行为,自动选择合适的推荐系统进行推荐。ugrec将用户的购物行为映射为一个网络,并定义了一系列的时序推荐路径来捕获用户的时序购物行为。ugrec验证了多个流行的推荐算法都可以近似的对应某种时序推荐路径。最终ugrec通过注意力机制进行路径选择来提升推荐的准确性,而选择的路径代表了其最适合该用户的推荐模型。
参考图1为本发明一个实施例的一种基于图网络的商品信息推荐方法的流程图。
s101,定义有序推荐路径:
定义三元组
给出任意两个实体
唯一性:
有序性:
参考图2为本发明一个实施例的有序推荐路径的示例图,在用户
基于“有序推荐路径”的定义可以移除大部分不合逻辑的路径。例如,路径
s102,使用注意机制分析所述有序推荐路径的重要性,使用相加操作实现所述有序推荐路径的嵌入,得到基于图嵌入的统一协作过滤框架的目标函数:
基于图嵌入的统一协作过滤框架根据从用户购买历史挖掘出的“有序推荐路径”来给用户和商品的联系建模。为了分析每一个有序推荐路径的重要性,基于图嵌入的统一协作过滤框架利用一个“注意”(attention)机制来决定每条路径重要性,因此用翻译学习目标函数做模型的推断和预测。
图3为本发明一个实施例的基于图嵌入的统一协作过滤框架的结构图,基于图嵌入的统一协作过滤框架使用“相加”(add)操作来获得有序推荐路径的“嵌入”,然后应用一个“注意”机制计算选择路径的重要性。
基于图嵌入的统一协作过滤框架通过实体集ε和关系集
对于一个对
其中
本发明使用
其中
其中
通过这种方式,给出一个对集合
其中,
即对于每一个被观察的对
s103,选择对应于不同所述有序推荐路径的推荐算法:
推荐模型算法既包括有序也包括无序的方法,是基于图嵌入的统一协作过滤框架当
一阶矩阵分解:
展示基于图嵌入的统一协作过滤框架可以归纳为特定类型的无序方法,本发明只保留一阶有序推荐路径{r1},则对于每个
在基于图嵌入的统一协作过滤框架中,因为每个实体嵌入的
贝叶斯个性排序(一阶):
对于每一个对
这样,ugrecbpr实际上与贝叶斯个性排序(bpr)类似,进行成对地学习来排序。
分解马尔科夫链(二阶):
不考虑用户“嵌入”,只考虑商品转换,当令
其中
混和模型(三阶):
在三阶路径下分析基于图嵌入的统一协作过滤框架的损失函数。特别地,本发明采取三阶路径
三阶路径p只包含一个商品实体
s104,基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型:
选择不同有序推荐路径时设计不同的距离度量,s103的算法模型与基于图嵌入的统一协作过滤框架的特例完全相等。以矩阵分解为例,如果使用下面的距离度量来替代等式(1),则根据等式(7),矩阵分解可以被精确映射到1阶有序推荐路径
然而,考虑到框架的简洁性和通用性在这项工作中使用欧几里得距离作为唯一的距离度量来优化。基于上述分析,基于图嵌入的统一协作过滤框架有能力将几种已知的推荐方法包含在内,也能够包含更高阶推荐路径的通用框架。通过在不同推荐路径上应用“注意“机制,能够汇聚多个推荐模型的能力来产生最好的预测。
s105,训练基于图网络的推荐算法选择模型,得到推荐算法自动选择模型:
采取随机梯度下降(sgd)算法来最小化损失函数学习基于图嵌入的统一协作过滤框架的参数。对于每个实体来说,将“嵌入”的
对于每个对
表格1:有序推荐路径和传统推荐模型的关系。
采用“预热”(burn-in)训练策略使模型稳定:(1)在训练最初的nb轮迭代中,对于每个对
s106,使用所述推荐算法自动选择模型选择推荐算法,依据所述推荐算法向用户推荐商品信息:
通过学得的实体和关系,给出一个用户
以下为本发明一个更具体的实施例:
采集某购物网站上的用户购物信息,购物信息中包含袜子、鞋子、肥皂和食用油等,对由这些用户购物信息构成的数据集进行挖掘、分类和特征定义并定义有序推荐路径;使用注意机制分析所有所述有序推荐路径的重要性,使用相加操作实现所述有序推荐路径的嵌入,得到基于图嵌入的统一协作过滤框架的目标函数;选择对应于不同所述有序推荐路径的推荐算法,如一阶矩阵分解、贝叶斯个性排序、分解马尔科夫链、混合推荐;基于所述目标函数和所述推荐算法搭建基于图网络的推荐算法选择模型;训练基于图网络的推荐算法选择模型,得到推荐算法自动选择模型;将所述自动选择模型应用于线上,动态收集用户的购物信息并结合历史购物信息根据不同用户和商品的关系对推荐算法进行排序,根据排序结果选择更靠近前列的推荐算法,从而保证结果更加精准高效;使用上一步选择的推荐算法向用户推荐商品信息,可采用商品信息展示页展示、检索页插入、邮件推送等方式向用户推荐具体商品信息。
此外基于同一发明构思,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例所述的方法。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明难以理解,在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本发明的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态ram(dram))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。