[发明专利]即时配送场景下商店选址推荐方法

说明书

本发明提供了即时配送场景下商店选址推荐方法，包括以下步骤：步骤1：数据预处理模块：包括获得待处理的骑手数据，订单数据和上下文数据，使用特征提取和图的构建技术得到处理后的数据；步骤2：骑手运力建模：包括获得初步处理的骑手移动性图，一个嵌入细粒度骑手运力的骑手运力模型，以此作为区域类型异构多图的输入；步骤3：基于异构多图的推荐模块：基于骑手运力模型中的区域类型异构多图和边缘嵌入，以捕获受多个因素影响的用户偏好以及商店区域和商店类型之间的交互信息；采用所述方法，提供合理的多图注意力网络算法以实现在具有不同分布的数据集上均能得到较优的商店的选址推荐结果。

技术领域

本申请涉及计算机技术领域，具体涉及即时配送场景下商店选址推荐方法。

背景技术

首先简要介绍线上到线下(O2O)模式、现有的商店选址推荐技术和图神经网络在推荐技术中的应用。

1、线上到线下(O2O)模式；

线上到线下(O2O)模式是指将线下商务与互联网结合，让互联网成为线下交易的平台，这是近几年来日益重要的商业模式。一般来说，O2O模式首先拥有一个具有大规模用户的O2O平台，用户可以使用该平台进行线上购物。在用户完成购买后，接下来的流程都由平台完成，如付款、物流和交付。

O2O模式的一个典型例子是按需交付，即用户通过O2O平台线上购买，然后，快递员从实体店获取订单，并将订单交付给用户。与传统商店只接受用户亲自上门的订单相比，O2O模式下的商店与配送平台合作，为用户提供了极大的购物便利。

2、商店选址推荐技术；

基于小规模的调查方法和基于大规模的数据驱动方法，是两种现有的主要商店选址推荐技术。基于调查的方法，会设计问卷和访谈，来获得小规模的志愿者的反馈。基于数据驱动的方法，会建立基于特征的机器学习模型。

然而，调查方法基于参与者的反馈，不可避免的具有个人偏见。现有的对数据驱动方法的研究主要针对传统实体店，即拥有店面、仓库和厂房。该研究并不适合解决O2O模型下的商店选址推荐问题。

3、神经网络在推荐技术中的应用；

图形神经网络工作通常分为两类：基于光谱的GNNs和基于空间的GNNs。然而，传统的图神经网络不能直接应用于异构图，已有的研究或是使用元路径处理异构图，将异构图转化为同构图，或是直接处理没有元路径的异构图。

推荐技术是图神经网络的一个重要应用。核心信息是用户和项目之间的交互，可以构建一个用户-项目的二部图。此外，推荐系统还添加了其他辅助信息(如社交网络和知识图)，以解决数据稀疏和冷启动问题。

然而，由于数据特征的不同，基于图的推荐方法不能直接应用于O2O模式下的商店选址推荐场景；对于传统实体店的研究无法解决O2O模式下的新问题，包括配送能力和配送策略导致的动态供应，以及配送距离和用户偏好导致的不同的用户需求。

发明内容

为解决上述问题，本发明公开了即时配送场景下商店选址推荐方法，采用了基于多语义关系图注意力网络的骑手运力模型和基于异构多图的推荐模型，其中融合了骑手运力、用户偏好和上下文特征，该方法在各种指标上都优于最先进的基线。

即时配送场景下商店选址推荐方法，包括以下步骤：

步骤1：数据预处理模块：包括获得待处理的骑手数据，订单数据和上下文数据，使用特征提取和图的构建技术得到处理后的数据；

步骤2：骑手运力建模：包括获得初步处理的骑手移动性图，一个嵌入细粒度骑手运力的骑手运力模型，以此作为区域类型异构多图的输入；