[发明专利]一种基于多种用户表示融合的商品推荐方法

说明书

本发明属于商品推荐领域，具体涉及一种基于多种用户表示融合的商品推荐方法。所述商品推荐方法包括：根据用户完整的商品历史购买记录构建用户‑商品二分图，通过图神经网络得到用户节点的向量表示和商品节点的向量表示，其中将用户节点的向量表示作为用户的静态偏好表示；通过循环神经网络处理用户最近购买的商品序列得到用户的动态偏好表示；通过自注意力对用户撰写的评论文本进行特征提取，得到用户评论的向量表示；将用户的动态偏好表示、静态偏好表示和评论表示级联得到用户的最终表示，将商品节点的向量表示作为商品的最终表示；通过点积计算用户和商品之间的相似度用于对候选商品进行排序；通过贝叶斯个性化排序损失优化提出方法中的参数。本发明能够利用当前可以得到的用户信息，更好的在商品推荐过程中对用户进行建模，提高推荐准确率。

技术领域

本发明涉及一种商品推荐方法，属于商品推荐领域。

背景技术

目前在商品推荐过程中，大多数工作通常将主要精力用于对商品特征进行建模，而对用户的建模仅利用用户id信息。尽管通过对多模态商品特征的使用在一定程度上缓解了数据稀疏性问题，取得了较好的效果，但我们认为对用户偏好的不充分建模成为了目前制约推荐系统性能的重要问题。造成该问题的一个原因可能是由于用户隐私和用户信息获取困难，但即便如此，我们认为目前可以获取到的用户信息并未得到充分的利用。一方面，目前的许多工作通常利用用户过去购买的所有商品捕获用户的相对稳定的静态偏好，而用户随时间演变产生的动态偏好很少得到考虑；另一方面，通过用户id捕获到的用户偏好通常是隐式的，而用户购买商品后的评论作为目前可以获取到的用户信息的重要部分，其中包含着显式的用户偏好信息，但很少有工作将其专门用于对用户偏好的建模。因此，在推荐时，在通过id捕获用户隐式的静态偏好和动态偏好的基础上，结合通过用户评论捕获的用户显式偏好将有助于更好的建模用户偏好，实现更好的推荐性能。

发明内容

针对上述问题，本发明提出了一种基于多种用户表示融合的商品推荐方法，所述推荐方法包括：

S1：根据用户-商品二分图，通过图神经网络得到用户静态偏好表示和商品节点的向量表示；

S2：获取用户最近购买的商品序列，通过循环神经网络提取用户的动态偏好表示；

S3：获取用户的评论文档，通过自注意力提取用户评论的向量表示；

S4：得到用户最终表示和商品最终表示；

S5：计算用户和商品的相似度；

S6：通过贝叶斯个性化排序损失优化模型参数。

进一步的，所述S1中得到用户静态偏好表示和商品节点的向量表示的具体方法包括：

S11：根据用户完整的历史商品购买记录构建用户-商品二分图；

S12：通过邻居聚合操作聚合用户-商品二分图上节点的特征向量表示，得到用户节点的向量表示和商品节点的向量表示，由于用户-商品二分图中包含了用户过去所有的商品购买记录，因此我们认为得到的用户节点的向量表示中包含的是用户的相对稳定的静态偏好，因此我们将用户节点的向量表示用作用户的静态偏好表示。

进一步的，所述S11中构建用户-商品二分图的具体步骤如下：

S111：设用户-商品交互矩阵为其中M和N分别是用户数和商品数，如果用户u购买了商品p，则R中第u行第p列的条目R_up为1，否则为0；

S112：然后，我们可以得到用户-商品二分图的邻接矩阵表示其中R^T是R的转置。

进一步的，所述S12中邻居聚合操作的具体步骤如下：

S121：设第0层的用户_商品特征矩阵为其中d_n为嵌入大小，然后我们使用K层的邻居传播和聚合来聚合节点邻居的特征和图中的结构特征，传播过程定义为：