基于图网络的商品信息推荐方法及电子设备与流程

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：

定义三元组和分别表示第i个用户和第j个商品，p代表连结用户和商品的有序推荐路径，r1表示用户购买一个商品，r2表示用户在购买一个商品之前购买了另一个商品，表示用户在购买商品之前买的商品。

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：

定义表示用户购买商品的时间；所述有序推荐路径中的任意两个商品表示为

所述唯一性为：p两次经过相同商品，属于不同的购买行为；

所述有序性为：p在经过之前经过了则先于被购买。

在一些实施方式中，所述注意机制具体包括公式：

其中表示连接用户i和商品j的有序推荐路径p的重要性，p′表示所述有序推荐路径p中的任意一条路径。

在一些实施方式中，所述相加操作具体包括公式：

其中为商品的嵌入向量，为路径的嵌入向量，为所述用户购买一个商品的嵌入向量，为所述用户在购买一个商品之前购买了另一个商品的嵌入向量。

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，表示所有的用户-商品键对集合，γ>0是边缘超参数，为负样例，表示一个不同于的用户，表示和间的距离，表示和间的距离，[x]+＝max(0；x)返回0和x之间的最大值，是负样例组成的用户-商品键对三元组集合

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：

定义三元组和分别表示第i个用户和第j个商品，p代表连结用户和商品的有序推荐路径，r1表示用户购买一个商品，r2表示用户在购买一个商品之前购买了另一个商品，表示用户在购买商品之前买的商品。用作为起始点，作为终结点构造一个有向图。这个图包含两种关系类型，即“买”和“在前”。“买”关系(用r1表示)连结一个用户和一个商品，这意味着一个用户买了一个商品；“在前”关系(用r2表示)连结两个商品，这意味着用户在买一个商品之前买了另一个商品。用ε表示图中所有实体即商品的集合，用表示“买”和“在前”关系的集合，用表示用户购买商品的时间戳，用|p|表示路径p的阶，即路径上实体和关系的总数。

给出任意两个实体其中和表示p中的第m个和第n个实体，它们遵守以下两个性质：

唯一性：这意味着如果路径两次经过相同商品，这个商品应当属于不同的购买行为，使用这条性质来避免路径中冗余的实体。

有序性：这意味着如果路径在经过之前经过了那么应该先于被购买，使用这条性质保持路径中实体的时序。

参考图2为本发明一个实施例的有序推荐路径的示例图，在用户和商品之间图网络的一个例子。和都是用户购买的商品，其中令r1和r2分别表示“买”和“在前”关系，那么{r1}，和是用户和商品间的有序推荐路径。

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，路径违反了唯一性，路径违反了有序性。这种方式可以减少分析空间，专注于反映用户和商品之间有意义关系的路径。

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和关系集来学习，并将实体和关系编码嵌入低维空间。具体的，令表示用户实体向量，表示商品实体向量，表示路径，对于每一个三元组将有序推荐路径p看作两个实体向量和间的翻译向量如果根据有序推荐路径p，更倾向于理想的结果是这意味着按照某个距离度量d(·)，应该距离很近。如果三元组有效，距离就会小；否则距离就会大。本发明使用欧几里得距离来衡量和间的距离，即如下定义：

对于一个对给出全部连结和的有序推荐路径，和间的距离可以进一步写成：

其中表示连结和的有序推荐路径集合。

本发明使用来表示有序推荐路径p的重要性，计算方式如下：

其中表示连接用户i和商品j的有序推荐路径p的重要性，p′表示所述有序推荐路径p中的任意一条路径。正式地，给出有序推荐路径p，定义一个组合操作来获得路径“嵌入”，写作简便起见，为了获得p的表示，考虑相加操作来加和全部关系和实体向量，形式化表述如下：

其中为商品的嵌入向量，为路径的嵌入向量，为所述用户购买一个商品的嵌入向量，为所述用户在购买一个商品之前购买了另一个商品的嵌入向量。

通过这种方式，给出一个对集合基于图嵌入的统一协作过滤框架的目标函数形式化表述如下：

其中，表示所有的用户-商品键对集合，γ>0是边缘超参数，为负样例，表示一个不同于的用户，表示和间的距离，表示和间的距离，[x]+＝max(0；x)返回0和x之间的最大值，是负样例组成的用户-商品键对三元组集合：

即对于每一个被观察的对用其它某个通过相同分布采样得到的，没有连结到原来商品(或用户)实体(或者)来替代这个用户(或商品)。目标函数更倾向于低距离得分，因为有效三元组与无效三元组相比，实体”嵌入”上的范数约束有助于避免训练过程通过人为地增加实体嵌入平凡地最小化l。

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(没有翻译)，(相等“注意”)和γ＝0(没有边缘损失)时的特例。每个推荐算法都与基于图嵌入的统一协作过滤框架的某个特定类型有序推荐路径对应。本发明中包括一阶矩阵分解、贝叶斯个性排序、分解马尔科夫链、混合推荐，具体的：

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}，则对于每个对就只有一个有序推荐路径，进一步令把这个精简模型称作ugrecmf，它的目标函数如下：

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范数是1，所以目标函数进一步写作在此情况下基于图嵌入的统一协作过滤框架将一个用户-商品交叉矩阵分解来最大化正用户-商品对的相似性，这里的用户-商品交叉矩阵是一个二进制矩阵。

贝叶斯个性排序(一阶)：

对于每一个对如果采样一个负对则将模型称作ugrecbpr，目标函数变成：

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，当令时采用二阶路径则具有这种新结构的基于图嵌入的统一协作过滤框架称作ugrecfmc，它的精简的目标函数如下：

其中在此情况下，ugrecmc精简为分解马尔科夫链模型。

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对于每一个对本发明也采样一个负对这个新的结构记作ugrec3，新的目标函数写作：

三阶路径p只包含一个商品实体根据有序性ugrec3也由两个关键部分组成，即用户和商品隐语义(latentfactors)的内积，以及前后两个商品隐语义的内积。

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”的范数约束为1，防止训练过程通过人工增长实体嵌入范数平凡地最小化损失。然后从要学习的训练集中随机选择一个有效的三元组。

对于每个对来说，在图中有大量的路径。尽管定义了有序推荐路径来限制路径的数量，有效路径的数量仍然超出计算能力。因此在学习过程中，限制选出的有序推荐路径的阶数来近似原目标，考虑从图网络中挖掘出的4种类型的路径，如表1所示，最后一类的最大阶数是10。

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，对于每个对令其中是有序推荐路径的数量，例如，在最初的nb轮迭代中先让所有路径的重要性相等。(2)在“预热”阶段之后的迭代中，依据等式(3)来计算每个有序推荐路径的重要性。

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，给出一个用户和一个候选商品依据等式(2)计算然后通过降序排列商品的距离来构造前n推荐列表，从推荐列表中选择合适的商品信息向用户推荐。

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。