一种元宇宙场景下基于社交属性和团购理念的推荐系统

本发明涉及电子商务领域，尤其是指一种元宇宙场景下基于社交属性和团购理念的推荐系统。

背景技术：

1、元宇宙中的社交和购物是元宇宙生活中非常重要的一部分。团购作为现实世界非常火爆的一种购物方式，其社交属性与元宇宙非常适配，元宇宙需要这种多元化的购物形式。元宇宙购物产品多元化、社交网络复杂，需要相应的推荐系统提升用户体验感。目前主流的社交电商团购需要满足在限定时间内达到某一商品的购买阈值的条件才能发起一个成功的团购，因此针对团购的推荐需要同时向团购发起者和团购的参与者推荐产品。

2、推荐系统是在网上商店、流媒体服务、在线约会网站等许多行业环境中，用于支持用户决策并推荐合适的产品、信息或服务的信息系统。通常使用的推荐方法包括协同过滤推荐、群组推荐、团购推荐、顺序推荐基于混合的推荐等等。

3、协同过滤推荐方法依赖于用户的历史数据，由于数据稀疏性，推荐对新用户或新项目无效，并且由于各种原因，用户偏好经常随着时间的推移而变化，协同过滤推荐方法无法处理。在社交电子商务团购推荐问题中，群体是由社交网络动态形成的，根本没有预先定义的群体，这与群组推荐任务有很大的不同，因此群组推荐的方法并不适用于团购推荐任务。最近的研究j2prec团购推荐方法，相比gbgcn只关注产品的推荐任务，进一步推荐候选产品和参与者，以提高团购的成功率，但时间的信息并未被考虑进用户偏好建模当中。顺序推荐方法利用马尔可夫链预测用户的下一个消费，假设下一个动作取决于前一个动作序列，hidasi等人和loyola等人将rnn引入顺序推荐，尽管基于rnn的顺序推荐方法具有很强的表达能力，但它们仍然不能很好地模拟缺乏外部知识的复杂用户需求，并且基本上存在可解释性问题。对于混合方法，这些方法将协作与基于内容的方法或其他协作方法的不同变体结合起来。而对于团购而言，这些推荐方法都不能有效解决用户-产品-参与者推荐匹配的问题。

4、为了解决传统推荐算法无法满足用户-产品-参与者的匹配问题，也有专家学者提出了利用社交网络来进行推荐。社交推荐在解决用户-产品-参与者推荐匹配方面具有一定的优势，但社交推荐只专注于预测单个用户的偏好，不能为团购推荐服务。群组推荐联合了社交关系，根据一组用户的偏好向他们集体推荐商品的系统，除了用户偏好外，利用群体成员的社会和行为方面来产生群体推荐将提高异质群体推荐内容的质量。虽然群组推荐与团购相似，都是对一个组进行产品推荐，但群组推荐中的组是固定的，而团购推荐中的团购组是动态的，如何确定用户所在的团购组是团购推荐中的重要问题。同样的，以上推荐方法通常是假设用户的偏好不发生改变，进行对用户偏好进行静态建模，而用户的偏好不是静态的，并且由于各种原因而随着时间的推移而演变。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中没有考虑用户偏好是动态变化导致不能实现精准推荐的社交团购推荐问题，将时间维度引入项目关系建模，向推荐系统中引入动态项目表示模块，实现更加个性化和精准的团购产品推荐。

2、为此，本发明提供了一种元宇宙场景下基于社交属性和团购理念的推荐系统，该系统包括：

3、关系构建模块，用于获取用户数据、社交数据和产品数据，形成关系数据集，根据所述关系数据集建立以用户、社交朋友、产品为节点的关系图；

4、关系嵌入模块，用于基于关系图，捕捉用户与社交朋友、用户与产品之间关系的影响，得到最终用户向量和最终项目向量；

5、推荐模块，用于基于最终用户向量和最终项目向量，得到团购参与者推荐概率和项目推荐概率，根据团购参与者推荐概率和项目推荐概率，将团购参与者和项目按照从大到小分别进行排序，选取排名前n个团购参与者和项目作为推荐结果推荐给元宇宙的用户。

6、在本发明的一个实施例中，关系嵌入模块包括：关系感知影响传播模块、门控影响聚合模块和动态项目表示模块，其中，所述关系感知影响传播模块和所述门控影响聚合模块用于得到更新用户向量，所述动态项目表示模块用于得到知识感知动态项目向量。

7、在本发明的一个实施例中，所述关系感知影响传播模块用于对目标节点来自邻居的影响传播进行建模，得到候选用户向量，具体方法为：

8、在关系图中，所述邻居是指和目标用户存在社交关系的用户，所述目标节点是指目标用户的候选用户向量，不同邻居对目标节点的嵌入学习产生不同的影响，采用注意力机制来计算目标用户收到不同邻居的影响得分：

9、α(u,r,v)＝wr·σ(wru(l-1)v(l-1)+br)

10、式中，u为目标用户，表示关系图中的连接关系，v是与u以关系r相连的邻居，u(l-1)和v(l-1)是u和v在第(l-1)层上的用户向量，wr、wr和br是关系r的可训练权值，σ(·)为relu的非线性激活函数；

11、对影响得分进行归一化：

12、

13、式中，nu为目标用户u在关系图中的所有邻居，exp(·)为e的次幂函数；

14、将每个邻居的影响映射到相同的特征空间之中，统一来自不同类型邻居的影响：

15、

16、式中，φ(v)为邻居v的类型，和为φ(v)型节点的可训练参数；

17、将来自每个邻居的影响与目标用户u受到来自每个邻居的影响得分结合，得到u在第l层的候选用户向量为：

18、

19、其中，为u在第l层的候选用户向量。

20、在本发明的一个实施例中，门控影响聚合模块用于基于所述候选用户向量，得到更新用户向量，具体方法为：

21、通过聚合门控制上一层的用户向量与候选用户向量合并影响大小，聚合门的定义如下：

22、

23、式中，σ(·)为sigmoid函数，是可训练权重，u(l-1)为第l-1层的用户向量，为第l层的候选用户向量；

24、基于聚合门，更新用户向量计算公式如下：

25、

26、式中，⊙是元素积，u(l)是第l层的更新用户向量。

27、在本发明的一个实施例中，所述动态项目表示模块用于对随时间变化的用户偏好对项目的影响进行建模，得到知识感知动态项目向量，所述动态项目表示模块包括：项目基本表示及关系表示模块和知识感知动态项目嵌入获取模块，其中，

28、项目基本表示及关系表示模块用于定义ib为每个项目的基本表示，ib包含了项目的固有特征，利用trans函数得到每个项目的关系表示：

29、ir＝trans(ib,er)

30、式中，ir为每个项目的关系表示，er是的关系向量；

31、知识感知动态项目嵌入获取模块用于基于每个项目的基本表示和关系表示，得到知识感知动态项目向量的计算公式如下：

32、

33、式中，it为知识感知动态项目向量，表示时间核函数，用于控制之前每个关系消耗的影响程度，δtr表示自与当前项目相关的最新项目消费以来所经过的时间。

34、在本发明的一个实施例中，所述时间核函数分为以下两种情况：

35、当项目之间的关系为补充关系时，所述时间核函数的表达式为：

36、

37、式中，c∈r表示补充关系，n(δt|0,σ)是δt的正态分布，具有均值μ和标准差σ，表示项目的类别，z(i)为关于项目类别的函数；

38、当项目之间的关系为替代关系时，所述时间核函数的表达式为：

39、

40、式中，s∈r表示替代关系，s1表示具有负面影响的替代关系，s2表示具有积极影响的替代关系，为在关系s1下关于δt的正态分布，为在关系s2下关于δt的正态分布。

41、在本发明的一个实施例中，得到最终用户向量和最终项目向量的具体方法为：

42、通过层组合运算得到最终用户向量和最终项目向量，由以下公式给出

43、

44、其中，||是连接操作，u为最终用户向量，u(0),…,u(l)均为更新用户向量，it为最终项目向量，均为知识感知动态项目向量。

45、在本发明的一个实施例中，得到项目推荐概率的计算公式为：

46、

47、其中，表示项目推荐概率，utit表示最终用户向量和最终项目向量的内积。

48、在本发明的一个实施例中，所述团购参与者推荐概率利用以下模块得到：

49、变量转换模块，用于将最终用户向量u和最终项目向量it转换成查询向量，表达式为：

50、qu,i＝σ(w·[u||it]+b)

51、式中，qu,i为查询向量，w和b为可训练参数，||表示连接操作，σ(·)是非线性函数；

52、相似度得分获取模块，用于利用交联线性修正注意力机制，通过点积计算查询向量与最终用户向量u之间的相似度得分，公式如下：

53、

54、式中，wq、wk是可训练权重，是qu,i，间的相似度得分，σ(·)是非线性函数；

55、矩阵变换模块，用于为了实现交联线性修正注意力机制中各个注意头之间的交联，使用参数矩阵将各个注意力头之间的进行变换：

56、

57、式中，λmm表示将注意力重新分配到不同注意机制下得到的结果的线性变换矩阵，表示通过m个注意力头更新后的相似度得分；

58、相似度更新模块，用于经过线性投影计算，通过m个独立注意机制的平均过程，得到更新的相似度得分：

59、

60、注意力值计算模块，用于基于更新的相似度得分，利用relu函数计算注意力值：

61、

62、团购参与者推荐概率模块，用于基于注意力值，计算团购参与者推荐概率为：

63、

64、其中，为团购参与者推荐概率，uf为社交朋友的集合，表示集合uf中的一个社交朋友，为更新的相似度得分。

65、在本发明的一个实施例中，在计算团购参与者推荐概率时，采用层归一化方法对所述社交朋友进行归一化，这里将简写为v，归一化的公式为：

66、ln(βv)＝σ(w⊙βv)⊙rmsnorm(βv)

67、

68、其中，ln(·)表示层归一化操作，σ(·)为sigmoid函数，w为可训练参数，⊙是元素积，β为v的注意力值，rmsnorm(·)表示均方层归一化函数，rms(·)表示均方根，g是超参数。

69、本发明的上述技术方案相比现有技术具有以下优点：

70、(1)将基于注意力机制的个性化团购推荐系统引入元宇宙社交背景下，为元宇宙中人们的团购提供产品推荐和参与者推荐，帮助用户在庞大的产品信息群中进行更加精准的选择。

71、(2)将注意力机制引入至团购推荐系统中，并且采用对注意力机制部分进行优化的交联线性修正注意力，实现注意头之间的交联，增强注意力机制性能，同时实现稀疏注意力，解决了注意力机制中注意头的冗余问题、计算量问题，提升了团购推荐系统的性能，实现团购推荐的精准化、实时化，能够更好匹配元宇宙中用户的需求。

72、(3)考虑用户偏好会随着时间进行变化，将时间维度引入项目关系建模，向推荐系统中引入动态项目表示模块，实现更加个性化和精准的团购产品推荐。