一种基于图神经网络的商品销量预测方法及系统与流程

本发明涉及商品个性化预测，具体涉及一种基于图神经网络的商品销量预测方法及系统。

背景技术：

1、精准的商品销量预测能够合理地指导商家经营，提高商家的供货和生产效率，商品推荐预测是智能商业系统(business intelligence,bi)的核心模块之一。随着我国城市化进程的提速以及人工智能大数据技术的迅速发展，商业数据呈爆炸式增长，商业数据既能体现出社会的国民经济水平，又能反映出一个行业的状态，并且成为商业分析和预测的客观数据支撑。精确快速且高效的商品预测各大企业、政府部门及消费者投资者等具有重要意义。

2、商品销量预测是否准确关系到业务的进展和公司的战略，随着大数据时代的到来，用户和商品数据的急速增长，在大量的数据约束中能否正确进行市场分配是各大企业首要解决的问题。解决市场分配问题的前提是需要对商品销量进行准确的预测，然而现有技术此单纯的采用用户和商品关系进行建模，无法获取商店与约束条件之间的关系，通常存在一下问题：

3、1.现实场景中，用户和商品之间交互比较少，导致数据的稀疏，不能会进行准确的判断。

4、2.未考虑商店与商店之间的关系，商店与商店之间是竞争对手关系，导致数据不准确。

5、3.某个商店在某个区域比较受欢迎，硬性因素比较复杂，此时很难通过回归方式进行计算。

6、4.数据的质量不高，比如：数据缺失、有噪声、异常值等。

7、针对上述问题，现有技术存在对商品销量预测精度低的问题。

技术实现思路

1、因此，本发明提供的一种基于图神经网络的商品销量预测方法及系统，克服了现有技术中对商品销量预测精度低的缺陷。

2、为达到上述目的，本发明提供如下技术方案：

3、第一方面，本发明实施例提供一种基于图神经网络的商品销量预测方法，所述方法包括：

4、构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；

5、将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。

6、可选地，所述预设的图卷积神经网络为门控循环单元和自回归模型融合的图卷积神经网络。

7、可选地，所述构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边，包括：

8、获取用于构建所述二部图所需的商店节点和约束节点；

9、将商店节点和约束节点分别输入至两个相同的图卷积神经网络中，构建所述二部图所需要的商店图和约束图；

10、根据商店图和约束图，利用结点二部图算法，构建二部图。

11、可选地，商店图的构建包括：

12、获取各个商店节点的属性信息，商店节点的属性信息包括：商店的地理位置、销售规模、客户人群、销售品类和商品信息；

13、根据各个商店之间的属性信息，计算各个商店节点之间的相似度；

14、当各个商店节点之间的相似度数值在第一预设范围内时，商店节点之间存在相应的边，商店节点之间的边为商店之间的相似关系。

15、可选地，约束图的构建包括：

16、获取约束图中各个约束节点的属性信息，约束节点的属性信息包括外部影响因素；

17、根据约束图中各个约束节点属性信息的特征关系，计算约束图中各个约束节点之间的相似度，特征关系包括：约束节点的相关性、互斥性、优先性；

18、当约束图中各个约束节点之间的相似度数值在第二预设范围内时，约束节点之间存在相应的边，约束节点之间的边为约束节点之间的约束关系。

19、可选地，根据商店图和约束图，利用结点二部图算法，构建二部图包括：

20、将商店图和约束图的节点分别作为二部图的两个子集；

21、根据商店节点和约束节点之间的影响程度，利用结点二部图算法，计算二部图的边的权重；

22、当二部图的边的权重数值在第三预设范围内时，存在二部图的边，其中同子集中节点之间不存在二部图的边，二部图的边为商店节点和约束节点之间的约束关系，二部图的节点为商店节点和约束节点。

23、可选地，将所述二部图输入至预设的图卷积神经网络中进行时序特征提取的步骤，包括：

24、对二部图的节点进行多层卷积计算，生成每个节点的高维特征向量；

25、利用门控循环单元和自回归模型融合的图卷积神经网络，对高维特征向量进行时序特征提取，生成每个节点的时序特征向量；

26、根据每个节点的时序特征向量，预测每个商店节点对应的商品销量。

27、第二方面，本发明实施例提供一种基于图神经网络的商品销量预测系统，包括：

28、二部图构建模块，用于构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；

29、商品预测模块，用于将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。

30、第三方面，本发明实施例提供一种终端，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的基于图神经网络的商品销量预测方法。

31、第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的基于图神经网络的商品销量预测方法。

32、本发明技术方案，相比现有技术具有如下优点：

33、1.本发明提供的基于图神经网络的商品销量预测方法及系统，通过图卷积神经网络学习复杂的商店特征，同时将约束条件和商店相结合构造结点二部图，可以有效预测商品的销量。

34、2.本发明能够有效地捕捉商品之间以及商店之间存在的复杂关系，并将其融入到商品销量预测模型中，提高了预测准确性和鲁棒性。

35、3.本发明能够充分利用外部影响因素，并将其作为约束条件加入到二部图中，增强了商品销量预测模型对商品销量变化趋势和波动程度的敏感性。

36、4.本发明采用了图卷积神经网络作为基础模型，并结合了门控循环单元和自回归模型进行时序特征提取，充分挖掘了历史销售数据中蕴含的信息，并实现了端到端的训练和预测过程。

技术特征：

1.一种基于图神经网络的商品销量预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于图神经网络的商品销量预测方法，其特征在于，所述预设的图卷积神经网络为门控循环单元和自回归模型融合的图卷积神经网络。

3.根据权利要求1所述的基于图神经网络的商品销量预测方法，其特征在于，所述构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边，包括：

4.根据权利要求3所述的基于图神经网络的商品销量预测方法，其特征在于，商店图的构建包括：

5.根据权利要求4所述的基于图神经网络的商品销量预测方法，其特征在于，约束图的构建包括：

6.根据权利要求5所述的基于图神经网络的商品销量预测方法，其特征在于，根据商店图和约束图，利用结点二部图算法，构建二部图包括：

7.根据权利要求1所述的基于图神经网络的商品销量预测方法，其特征在于，将所述二部图输入至预设的图卷积神经网络中进行时序特征提取的步骤，包括：

8.一种基于图神经网络的商品销量预测系统，其特征在于，包括：

9.一种终端，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7任一所述的基于图神经网络的商品销量预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一所述的基于图神经网络的商品销量预测方法。

技术总结
本发明公开了一种基于图神经网络的商品销量预测方法及系统，方法包括：构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。本发明通过图卷积神经网络学习复杂的商店特征，同时将约束条件和商店相结合构造结点二部图，可以有效预测商品的销量。

技术研发人员：张阳,赵维一,杜倩,熊冰,韦剑,倪杨,谢立华,何川
受保护的技术使用者：四川中烟工业有限责任公司
技术研发日：
技术公布日：2024/1/14