一种基于用户购买行为的用户特征预测方法.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CN112487199A(43)申请公布日2021.03.12(21)申请号202011331045.9G06K9/62(2006.01)(22)申请日2020.11.24G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人杭州电子科技大学G06Q30/06(2012.01)地址310018浙江省杭州市下沙高教园区2号大街(72)发明人周仁杰刘畅张纪林万健赵乃良胡强谢忠毅殷昱煜蒋从锋(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人朱亚冠(51)Int.Cl.G06F16/36(2019.01)G06F16/9535(2019.01)G06F40/289(2020.01)权利要求书4页说明书8页附图2页(54)发明名称一种基于用户购买行为的用户特征预测方法(57)摘要本发明公开了一种基于用户购买行为的用户特征预测方法，该方法包括：采集目标用户特征信息、历史订单信息以及订单商品信息，并利用订单商品信息从公开知识图谱获取商品相关的三元组知识，构建知识子图，利用图卷积神经网络聚合实体近邻局部特征，充分学习实体的表示向量；在用户特征预测模型中根据不同的商品特征以及不同的具有相似购买行为用户的特征学习到目标用户与不同商品以及相似购买行为用户的相似度，充分根据用户间以及用户实体间的相似度学习其特征向量，满足用户的个性化需求。本发明提高了用户特征预测的准确性，从而可以更准确地预测用户特征，构造更完整的用户画像。CN112487199ACN112487199A权利要求书1/4页1.一种基于用户购买行为的用户特征预测方法，其特征在于该方法包括以下步骤：步骤1：采集目标用户特征信息、历史订单信息、订单商品信息；目标用户特征信息包括用户画像信息；历史订单信息包括订单用户编号、购买商品编号；订单商品信息包括商品名称；步骤2：对步骤1中订单商品信息中的商品名称进行分词，提取商品名称中包含一定信息的实体，构建商品名称中包含所有实体的实体集合S(e)；步骤3：构建知识子图在公开知识图谱中查找步骤2获得的实体集合S(e)中的各个实体ei∈S(e)；若存在则获取该实体ei相关的三元组特征并进行三元组特征拓展，得到所有实体拓展后的三元组特征，构建知识子图若不存在则跳过该实体，并将其从实体集合中删除；其中，ei代表实体集合S(e)中第i个实体并作为三元组的头实体；表示第1轮拓展得到的第j个实体，并作为三元组的尾实体；r代表ei和之间的关系；步骤4：构建用户邻接矩阵、实体邻接矩阵、实体关系矩阵将步骤3获得的所有实体拓展后的知识图谱三元组作为知识子图并定义关联关系contain将用户历史订单信息中购买商品与购买商品名称中的实体进行关联，将购买商品加入到知识子图根据知识子图以及历史订单信息构建用户邻接矩阵、实体邻接矩阵、实体关系矩阵：(1)根据历史订单信息，构建用户邻接矩阵用来保存每名用户的前Ku名具有相同交互商品的用户即为近邻用户，其中M代表用户数，Ku表示购买相同商品用户采样数且Ku＜M；(2)根据知识子图构建实体邻接矩阵用来存储两个直接相连的实体，这两个实体即为近邻实体，其中I表示实体数量，Ke表示近邻实体采样数且Ke＜I；(3)根据知识子图构建实体关系矩阵用来保存实体邻接矩阵中两个近邻实体之间的知识子图关系，其中I表示实体数量，Kr表示关系采样数且Kr＝Ke，Kr＜I；步骤5：根据步骤4中得到的知识子图用户邻接矩阵实体邻接矩阵以及实体关系矩阵构造基于图卷积神经网络的用户特征预测模型；所述的基于图卷积神经网络的用户特征预测模型包括输入层、嵌入层、图卷积层、聚合层、全连接层、输出层。2.如权利要求1所述的一种基于用户购买行为的用户特征预测方法，其特征在于步骤(3)公开知识图谱中存在若干条实体相关的三元组特征，其组织形式为(头实体，关系，尾实体)。3.如权利要求1所述的一种基于用户购买行为的用户特征预测方法，其特征在于步骤(3)实体的三元组特征拓展具体如下：(1)初始化：迭代次数H＝1；(2)将中尾实体作为头实体，在公开知识图谱查找相关的三元组特征2CN112487199A权利要求书2/4页(3)更新迭代次数H＝H+1，将上一轮迭代得到的三元组特征尾实体作为头实体，继续在公开知识图谱查找与该头实体相关的三元组特征，直至迭代次数达到最大迭代次数。4.如权利要求1所述的一种基于用户购买行为的用户特征预测方法，其特征在于步骤(5)基于图卷积神经网络的用户特征预测模型中：(1)输入层的输入为用户、用户交互过的实体，构建用户交互实体集合Ne(u)；(2)嵌入层将用户、用户交互过的实体进行向量化表示，并根据用户邻接矩阵获得用户的近邻用户嵌入向量，构建近邻