一种基于多图卷积神经网络的用户个性化需求预测方法

本发明涉及产品推荐，具体地说是一种基于多图卷积神经网络的用户个性化需求预测方法。

背景技术：

1、随着数字化进程的不断深入发展，数字化系统中产生了大量的用户和产品信息数据，如何利用这些数据资源不断提升服务质量与水平是一项重要任务。产品推荐作为个性化推荐系统领域的一项重要任务，其目标是通过算法提供适合用户的个性化产品组合，从而辅助用户的决策支持过程。传统推荐系统是一种信息检索和过滤机制，通过缓解互联网上信息过载、冷启动等问题，为用户提供个性化的推荐结果，被广泛的应用于电子商务、社交网络等领域中。其中的信息过载问题是不可忽视的，因为不断增长的用户和产品数量等信息对用户个性化需求预测和产品销售等都产生了影响，且不同产品的有效期和库存水平等也会影响到实际推荐效果。

2、随着人工智能与深度学习等信息技术的深度应用，深度学习技术因其在偏好表征学习上的优势而弥补了传统推荐算法的不足，尤其是图神经网络的出现为产品推荐算法提供了新的选择，在产品推荐方面得到了广泛关注。图神经网络通过对图数据中节点之间的消息传递来捕捉高阶邻居节点间的潜在联系，从而学习到更加精确地的节点表征，因此，不仅能发现用户产品的协同过滤模式，同时，还能够整合并学习多种实体之间的多阶关系。这类基于图神经网络的产品推荐方法中，仅利用当前用户产品交互信息进行推荐的方法由于忽略了很多重要的辅助信息，在推荐结果的准确性上存在限制；而利用用户或产品辅助信息对用户特征进行建模的推荐方法能够获得更好的结果准确性。很多复杂神经网络算法也捕获了更为深层的数据特征，考虑的因素包括完整的图结构、产品交互、多层次重要性、时序关系等，也都被证明提高了推荐性能。然而，产品推荐算法中融合的数据质量与深度对推荐性能的影响较大，如果仅依据用户产品交互数据发现相似用户进行产品推荐的话，结果往往倾向于较为大众化的产品，并且不同的产品数据样本因其数量分布、有效期分布等存在较大差异，对于推荐产品的公平性问题也较少被考虑到。总之，现有基于图神经网络的产品推荐算法仍然面临着以下三个挑战：(1)大多数用户和产品的交互记录较少，数据往往呈现出稀疏性；(2)用户产品之间的关联关系、用户之间以及产品之间的相互作用与关系均较为复杂；(3)产品推荐结果在可解释性和公平性方面存在局限。

技术实现思路

1、本发明为克服上述现有技术存在的不足之处，提出一种基于多图卷积神经网络的用户个性化需求预测方法，以期能更加准确地建模用户和产品的表征，并考虑产品的库存水平和有效期因素，从而能提高产品推荐系统的准确性和公平性。

2、为了达到上述目的，本发明所采用的技术方案为：

3、本发明一种基于多图卷积神经网络的用户个性化需求预测方法的特点在于，包括以下步骤：

4、步骤1、利用用户描述文本信息构建用户关联矩阵r；

5、步骤2、利用用户产品交互信息构建用户产品关系矩阵q；

6、步骤3、利用产品描述文本构建产品关联矩阵s；

7、步骤4、构建产品推荐优化模型，将用户关联矩阵r、用户产品关系矩阵q和产品关联矩阵s输入所述产品推荐优化模型中进行处理，从而得到用户综合表征向量、产品综合表征向量以及用户对产品的预测偏好得分；

8、步骤5、利用贝叶斯个性化排序方法构建损失函数γ，使用adam优化器对产品推荐优化模型进行迭代优化并直至γ收敛，从而得到最优用户综合表征向量、最优产品综合表征向量以及用户对产品的最优预测偏好得分，用于实现产品的推荐。

9、本发明所述的一种基于多图卷积神经网络的用户个性化需求预测方法的特点也在于，所述步骤1包括如下过程：

10、步骤1.1、定义用户集合u＝{u1,u2,...,ui,...,uj,...,un}，其中，ui表示第i个用户，uj表示第j个用户，n表示用户数量；定义用户的描述文本集合a＝{a1,a2,...,ai,...,aj,...,an}，其中，ai表示第i个用户ui的描述文本，aj表示第j个用户uj的描述文本；

11、步骤1.2、利用doc2vec段落向量模型学习用户描述文本a的向量表征，从而得到用户描述文本集合a所对应的用户描述向量集合f(a)＝[f(a1),f(a2),...,f(ai),...,f(aj),...,f(an)]，其中，f(ai)表示第i个用户ui的描述文本ai对应的描述向量，f(aj)表示第j个用户uj的描述文本aj对应的描述向量；

12、步骤1.3、利用rcc鲁棒性连续聚类算法对用户描述向量集合f(a)进行聚类，得到若干个类，并将同一类中的描述向量所对应的用户之间视为相似用户，将不同类中的描述向量所对应的用户之间作为非相似用户，从而构建用户关联矩阵r；若第i个用户ui与第j个用户uj是相似用户，则令r中第i行第j列的元素rij＝1，反之，令rij＝0。

13、所述步骤2包括如下过程：

14、步骤2.1、定义产品集合v＝{v1,v2,...,vg,...,vh,...,vm}，其中，vg表示第g个产品，vh表示第h个产品，m表示产品数量；

15、步骤2.2、根据用户与产品之间的交互信息，构建用户产品关系矩阵q；若第i个用户ui的交互信息中包含第g个产品vg，则令q中第i行第g列的元素qig＝1，反之，令qig＝0。

16、所述步骤3包括如下过程：

17、步骤3.1、定义产品描述文本集合b＝{b1,b2,...,bg,...,bh,...,bm}，其中，bg表示第g个产品vg的描述文本，bh表示第h个产品vh的描述文本；

18、步骤3.2、利用doc2vec段落向量模型学习产品描述文本b的向量表征，从而得到产品描述文本集合b所对应的产品向量集合f(b)＝[f(b1),f(b2),...,f(bg),...,f(bh),...,f(bn)]，其中，f(bg)表示第g个产品vg的描述文本bg所对应的描述向量，f(bh)表示第h个产品vh的描述文本bh所对应的描述向量；

19、步骤3.3、利用rcc鲁棒性连续聚类算法对产品向量集合f(b)进行聚类，得到若干个类，并将同一类中的描述向量所对应的产品之间作为相似产品，将不同类中的描述向量所对应的产品之间作为非相似产品，从而构建产品关联矩阵s；若第g个产品vg与第h个产品vh是相似产品，则令s中第g行第h列的元素sgh＝1，反之，令sgh＝0。

20、所述步骤4包括如下过程：

21、步骤4.1、构建产品推荐优化模型，包括嵌入层、图卷积层、层结合层和预测层；

22、步骤4.2、所述嵌入层分别对用户集合u和产品集合v进行低维映射向量表示，相应得到用户集合u的嵌入矩阵为以及产品集合v的嵌入矩阵为其中，嵌入矩阵pu中的第i行向量记为第i个用户ui的初始嵌入向量嵌入矩阵pv中的第g行向量记为第g个产品vg的初始嵌入向量k表示向量维度；

23、步骤4.3、所述图卷积层包含d层卷积层，定义当前卷积层序号为d，并初始化d＝1；

24、步骤4.3.1、利用式(1)和式(2)分别对用户产品关系矩阵q进行图卷积操作，相应得到第d层卷积层输出的第i个用户ui的嵌入向量和第g个产品vg的嵌入向量

25、

26、

27、式(1)和式(2)中，表示用户产品关系矩阵q中第i个用户ui的交互信息中所包含的产品集合，表示用户产品关系矩阵q中与第g个产品vg交互过的所有用户集合；

28、利用式(3)和式(4)分别得到用户产品关系矩阵q中第i个用户ui的表征向量和第g个产品vg的表征向量

29、

30、

31、步骤4.3.2、利用式(5)对用户关联矩阵r进行图卷积操作，得到第d层卷积层输出的用户ui的嵌入向量

32、

33、式(5)中，和分别表示用户关联矩阵r中第i个用户ui和第j个用户uj的相似用户集合，表示在用户关联矩阵r中第j个用户uj是第i个用户ui的相似用户；

34、利用式(6)得到用户关联矩阵r中第i个用户ui的表征向量

35、

36、步骤4.3.3、利用式(7)对产品关联矩阵s进行图卷积操作，得到第d层卷积层输出的第g个产品vg的嵌入向量

37、

38、式(7)中，和分别表示产品关联矩阵s中第g个产品vg和第h个产品vh的相似产品集合；表示在产品关联矩阵s中第h个产品vh是第g个产品vg的相似产品；

39、利用式(8)得到产品关联矩阵s中第g个产品vg的表征向量

40、

41、步骤4.4、所述层结合层利用式(9)和式(10)分别得到第i个用户ui的综合表征向量和第g个产品vg的综合表征向量

42、

43、

44、式(9)和式(10)中，表示两个向量的拼接操作；

45、步骤4.5、所述预测层利用式(11)得到第i个用户ui对第g个产品vg的预测偏好得分

46、

47、式(11)中，表示第g个产品vg的库存水平；表示第g个产品vg的有效期限。

48、所述步骤5包括如下过程：

49、步骤5.1、利用式(12)构建损失函数γ：

50、

51、式(12)中，σ表示sigmoid函数；λ表示l2正则化的系数；e表示待训练的参数集合，即第i个用户ui的初始嵌入向量第g个产品vg的初始嵌入向量和第v个产品vh的初始嵌入向量

52、步骤5.2、使用adam优化器对损失函数进行迭代优化并直至γ收敛，从而得第i个到用户ui的最优综合表征向量第g个产品vg的最优综合表征向量

53、步骤5.3、利用式(11)得到第i个用户ui对第g个产品vg的最优偏好得分从而得到第i个用户ui对所有产品的最优偏好得分并降序排列，并从中选取前n个产品推荐给第i个用户ui。

54、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述用户个性化需求预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

55、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述用户个性化需求预测方法的步骤。

56、与已有技术相比，本发明的有益效果体现在：

57、1、本发明考虑了用户个性化需求预测过程中的多方面因素，不仅考虑了用户与产品之间的相关关系，还辅助考虑了用户之间的潜在相关关系和产品之间的潜在相关关系，另外，还进一步考虑了产品的库存水平和有效期因素的影响，这更加符合现实情况，对提高推荐结果的准确性和公平性上具有重要意义；

58、2、本发明利用图神经网络同时建模用户关联网络、产品关联网络和用户产品关系网络，建模了拓扑结构信息和节点信息特征，使得用户和产品的表征学习更加准确。这种多图联合建模学习的方法可以扩展到更多复杂网络中，可以被应用于大规模网络中用户建模与需求预测中。