[发明专利]一种融合商品关联关系的商品预测方法

说明书

本发明公开了一种融合商品关联关系的商品预测方法，属于商品个性化预测系统技术领域，包括以下步骤：通过用户对商品的历史交互记录，确立用户‑商品二部图；根据用户对商品的历史交互序列，确立商品‑商品同构图；采用图卷积神经网络和图嵌入算法构建用于特征学习的双塔模型；对双塔模型进行特征初始化；采用改进的BPR损失函数对双塔模型进行训练，获取训练后用户和商品节点低维稠密的嵌入表示；根据训练后的用户和商品嵌入表示计算用户于测试集商品的得分，并根据得分进行排序，从而对用户进行商品推荐。本发明能够解决数据集存在的用户与商品交互信息稀缺以及交互序列长短不一的问题，并提高个性化预测的精度。

技术领域

本发明涉及商品个性化预测系统技术领域，尤其是一种融合商品关联关系的商品预测方法。

背景技术

近年来，随着5G时代的到来，手机等移动智能终端的普及，网络购物规模呈现持续扩大趋势。由此，产生的数据呈现指数级增长，而这些数据中蕴含着丰富的信息，而无论是商家还是用户，面对如果庞大的数据量都难以获取其中关键有效的信息。因此，如何从这些数据中快速且有效的挖掘有价值的信息对于二者都具有重要意义。预测系统作为解决“信息过载”的一种重要手段，可以通过相应的预测方法从海量的数据中预测用户未来可能感兴趣的商品，因此提高预测方法的精准度是预测系统的关键。

目前，基于异构图卷积的预测系统在商品预测领域取得较好效果，该系统主要通过构建基于用户-商品的二部图实现商品预测。例如，基于图卷积的协同过滤推荐算法NGCF，通过设计一种在图上递归传播的神经网络方法来学习用户和商品的嵌入表示。随后，LightGCN在NGCF的基础上进一步优化和精简模型，通过广泛的消融实验得出结论，使用符号表示用户节点和商品节点的网络结构，特征变换和非线性激活对NGCF的有效性没有贡献，反而会降低模型的性能。在LightGCN中，作者构建了用户-商品二部图进行表征学习，具体地说，在将每个用户(商品)与ID嵌入关联之后，在用户-商品交互图上传播嵌入表示以改进它们。然后将不同传播层的嵌入信息与加权和相结合，得到最终的预测嵌入信息。

然而现在的技术大多是在用户和商品二部图的基础上进行实验，而用户和商品之间的交互存在严重的数据稀缺性，即在大量的商品中，每个用户交互过的商品数量仅为少数。因此单纯的采用用户和商品关系进行建模，很容易因为数据的稀缺性而无法获取精准的用户和商品嵌入表示，从而导致预测精度的不足。

发明内容

本发明需要解决的技术问题是提供一种融合商品关联关系的商品预测方法，能够解决数据集存在的用户与商品交互信息稀缺以及交互序列长短不一的问题，提高个性化预测的精度，利用用户对商品的历史交互序列在用户-商品二部图的基础上构建了商品-商品网络，同时在模型训练过程中采用同步蒸馏的方法来提高模型精度。

为解决上述技术问题，本发明所采用的技术方案是：

一种融合商品关联关系的商品预测方法，包括以下步骤：

S1、通过用户对商品的历史交互记录，确立用户-商品二部图；

S2、根据用户对商品的历史交互序列，确立商品-商品同构图；

S3、根据采用图卷积神经网络和图嵌入算法构建用于特征学习的双塔模型；

S4、对双塔模型进行特征初始化；

S5、采用改进的BPR损失函数对双塔模型进行训练，获取训练后用户和商品节点低维稠密的嵌入表示；

S6、根据训练后的用户和商品嵌入表示计算用户于测试集商品的得分，并根据得分进行排序，从而对用户进行商品推荐。

本发明技术方案的进一步改进在于：S1中，所述用户-商品二部图的构建是通过每个用户对商品的历史交互序列构建而成，若用户与某商品存在交互行为，则二者之间建立边。