基于图神经网络与用户意图感知的用户购买行为预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114331514A(43)申请公布日2022.04.12(21)申请号202111585092.0(22)申请日2021.12.22(71)申请人杭州电子科技大学地址310018浙江省杭州市钱塘新区白杨街道2号大街1158号(72)发明人俞东进王兴亮王东京(51)Int.Cl.G06Q30/02(2012.01)G06Q30/06(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书7页附图1页(54)发明名称基于图神经网络与用户意图感知的用户购买行为预测方法(57)摘要本发明将用户的历史购买数据中的物品作为一个行为序列，然后基于这些序列构造有向图，其中每个节点代表用户购买过的一个物品，每条有向边表示用户在购买过此边的源物品之后购买了指向的物品。基于此图，通过图神经网络捕获物品之间的联系以及物品与用户的联系并准确地生成物品的向量表示，并且通过用户意图感知模块准确地捕获用户当前的意图，将其作为用户的向量表示。基于这些物品的向量表示和用户的向量表示，将其与注意力机制结合，为用户推荐可能感兴趣的物品。CN114331514ACN114331514A权利要求书1/3页1.基于图神经网络与用户意图感知的用户购买行为预测方法，其特征在于，包括以下步骤：步骤1，输入用户的历史购买数据，其中购买数据包括用户的ID、物品ID、以及购买的时间戳；步骤2，读取并处理用户购买行为数据；对于原始的用户购买行为记录，每条记录包含用户的ID，购买物品的ID以及购买的时间戳；将每个用户的购买记录按照时间戳进行先后排序，得到每个用户行为序列文件；其中每一行为某个用户的物品购买序列，每个序列中，用户的ID排在行首，该用户购买过的物品ID按购买的时间先后顺序排在用户的ID之后，用户ID与物品ID之间使用逗号分隔；形式为L＝{用户的ID，物品1的ID，物品2的ID，……，物品n的ID}，＝{vu，v1，v2，v3，...，vn}；步骤3，构建有向图：将每个序列D建模为有向图G(V，E)，其中V是所有节点的集合，E是所有边的集合，每个节点vi∈V代表一个物品，每条边(vi，vi+1)∈E表示一位用户在购买第i个物品vi之后购买了第(i+1)个物品vi+1；当用户对某个物品的购买频次越高，那么这个物品对应的节点在有向图中出现的次数就越多，与该节点相连的边也就越多；步骤4，初始化各边的权重：每条边的初始化权重为该条边出现的次数除以该边作为起out始节点的出度或入度，所有边的权重值A(i，j)组成矩阵其中A的每in一行为节点vi与所有n个节点的出度权重，A的每一行表示节点vi与所有n个节点的入度权重；当某个物品对应的节点在有向图中出现的次数越多，代表着连接该节点的边也越多，有向图G(V，E)中边(vi，vj)的权重定义为其中：num(vi，vj)为边(vi，vj)出现的次数；O(vi)为边(vi，vj)的起始节点vi的出度；I(vj)为边(vi，vj)的终止节点vj的出度；步骤5，训练物品向量表示：将有向图G(V，E)中的所有节点嵌入到一个统一的向量空间中，得到每个节点v的向量表示其中d是向量维度；之后所有节点的向量表示通过图神经网络进行学习更新；对于代表的物品的向量vi，其更新函数为：其中：矩阵定义图中的节点与其他节点的联系程度，由图中边的权重值A(i，j)组成；为A中节点vi与所有n个节点的出度权重以及节点vi与所有n个节点的入度权重；为购买序列中t‑1时刻的物品的向量列表；为权重矩阵；b为2CN114331514A权利要求书2/3页偏置项；为购买序列中节点vi在t时刻的状态；和分别是t时刻的重置门和更新门，分别决定要丢弃和保留什么信息；Wz和Uz分别为更新门的第一权重和第二权重；Wr和Ur分别为重置门的第一权重和第二权重；Wo和Uo分别为激活函数的第一权重和第二权重；tanh为神经网络中的双曲正切函数激活函数；为在t时刻候选的物品向量；σ(·)为sigmoid函数；⊙表示逐元素相乘；为在t时刻的物品向量；步骤6，训练用户的向量表示：将用户的向量表示，平均切分成m份，其中每一份代表用户不同的意图；对应m个用户意图，产生m个与用户购买行为图结构完全相同的用户购买行为子图Gk；之后通过图神经网络训练上述m个子图，得到用户在某个意图下的意图向量表示，并且进行更新；最后将m个意图下的用户意图向量表示拼接在一起，形成最终的用户意图向量步骤7，用户偏好建模：对于用户u，其对应的行为序列的向量表示为Su＝(v1，v2，...，vn)，n表示购买序列中物品的个数；取v1，v2，...，vn‑1作为用户的长期偏好信息来源，引入注意力机制，计算不同物品向量的注