欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025115177159
申请人: 南昌航空大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多行为元路径语义映射的商品推荐方法,其特征在于,包括:

步骤S1,读取电商平台中用户和商品的交互数据库,构造电商异质网络节点图,通过基于组合与筛选策略的元路径自动提取算法提取元路径,将提取到的元路径作为用户元路径,根据用户元路径在电商异质网络节点图中提取对应的实例;

步骤S2,逆置提取到的用户元路径及其对应的实例,将得到的新元路径和实例作为商品元路径和对应的实例,并根据行为类型将用户元路径分为用户目标行为元路径和用户辅助行为元路径;

步骤S3,将构造的电商异质网络节点图、用户目标行为元路径及其对应的实例、用户辅助行为元路径及其对应的实例、商品元路径及其对应的实例输入到基于多行为元路径语义映射的商品推荐模型中,得到用户目标行为语义嵌入向量和映射后的辅助行为语义嵌入向量、商品的初始嵌入向量和聚合商品元路径嵌入向量;

步骤S4,将用户目标行为语义嵌入向量与映射后的辅助行为语义嵌入向量融合,得到最终的用户嵌入向量,将商品的初始嵌入向量与聚合商品元路径嵌入向量融合,得到最终的商品嵌入向量,基于最终的用户嵌入向量与最终的商品嵌入向量得到商品评分函数,同时基于商品评分函数构建商品推荐模型的最终损失函数,通过最小化最终损失函数,商品推荐模型最终输出商品推荐列表;

其中,步骤S1具体包括:

步骤S11,通过从电商平台的用户和商品的交互数据库中读取用户和商品的交互数据集,构造电商异质网络的节点图,,其中,表示节点的集合,表示边的集合,表示节点类型的集合,表示边类型的集合;

步骤S12,提出一种基于组合与筛选策略的元路径自动提取算法,先设定元路径长度为,选取个节点和条边,再通过组合策略生成初始元路径集合,然后通过筛选策略得到筛选后的元路径集合,其中,组合策略为先确定元路径边的顺序,再在边的两端添上合法的节点,使得边要与连接的节点相匹配;筛选策略为:选取头尾节点分别为用户和商品节点的元路径;选取节点和边类型最多的元路径;

步骤S13,根据元路径在电商异质网络节点图中提取元路径实例,若实例不存在,则剔除该条元路径,反之保留该条元路径,并将该条元路径作为最终提取到的用户元路径,将提取到的实例作为用户元路径对应的实例。

2.根据权利要求1所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,步骤S2具体包括:步骤S21,将用户的元路径进行逆置,将得到的新元路径作为商品的商品元路径,商品元路径的头节点为商品节点,尾节点为用户节点;对用户的元路径对应的实例进行逆置,将得到的新元路径实例作为商品的元路径实例,逆置的公式为:其中,表示用户的元路径,表示用户的元路径对应的实例,表示逆置操作;

步骤S22,根据用户元路径中第一条边的类型将用户元路径分为用户目标行为元路径和用户辅助行为元路径,其中,将购买行为元路径作为用户目标行为元路径,表示用户的目标行为元路径,将购买行为以外的其余行为元路径作为用户辅助行为元路径,表示用户的第种辅助行为元路径,其中,表示辅助行为的种类索引,,表示辅助行为的种类数。

3.根据权利要求2所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,所述商品推荐模型包括高质量用户元路径实例提取模块、初始嵌入提取模块、用户和商品嵌入提取模块、用户辅助行为语义映射模块和对比学习模块;

步骤S3具体包括:

步骤S31,在高质量用户元路径实例提取模块中,基于实例的嵌入向量和元路径的嵌入向量提取出高质量用户元路径实例,其中,按照余弦相似度得分从小到大的顺序对各个实例进行排序,选取前个实例作为提取到的高质量用户元路径实例;

步骤S32,在初始嵌入提取模块中,通过FunkSVD矩阵分解算法提取出用户辅助行为初始嵌入向量和商品的初始嵌入向量;

步骤S33,在用户和商品嵌入提取模块中,基于高质量用户元路径实例,通过聚合元路径嵌入向量,得到用户目标行为语义嵌入向量、用户辅助行为语义嵌入向量、聚合商品元路径嵌入向量;

步骤S34,在用户辅助行为语义映射模块中,将用户辅助行为初始嵌入向量与用户辅助行为语义嵌入向量拼接后,再通过元学习进行映射,得到映射后的辅助行为语义嵌入向量;

步骤S35,在对比学习模块中,通过对比学习损失函数优化映射后的辅助行为语义嵌入向量。

4.根据权利要求3所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,步骤S31具体包括:在高质量用户元路径实例提取模块中,先通过卷积神经网络提取单条用户元路径的每条实例的嵌入向量,表达式为:其中,表示用户的第条元路径的第条实例的嵌入向量,为卷积神经网络,为第条实例的编码矩阵,为卷积神经网络参数;

再平均聚合每条实例的嵌入向量,得到元路径的嵌入向量,表达式为:

其中,为用户的第条元路径的嵌入向量,为用户的第条元路径的实例总数;

接着去除元路径的第条实例,重新平均聚合剩余实例的嵌入向量,得到去除第条实例后的元路径嵌入向量,并计算与的余弦相似度得分,表达式为:其中,为余弦相似度函数;

按照余弦相似度得分从小到大的顺序对各个实例进行排序,选取前个实例作为提取到的高质量用户元路径实例。

5.根据权利要求4所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,步骤S32具体包括:在初始嵌入提取模块中,从电商异质网络节点图中提取出不同行为的二分图,将二分图转化为对应行为的交互矩阵,分别为目标行为交互矩阵和辅助行为交互矩阵,通过FunkSVD矩阵分解算法对交互矩阵进行分解,得到用户辅助行为初始嵌入向量和商品的初始嵌入向量。

6.根据权利要求5所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,步骤S33具体包括:在用户和商品嵌入提取模块中,基于高质量用户元路径实例,通过注意力机制聚合同种行为元路径实例的嵌入向量,表达式为:其中,为第条元路径实例对用户的重要性得分,为激活函数,表示前馈神经网络的参数矩阵,为用户的第条元路径的第条高质量实例的嵌入向量,为第条元路径实例的权重,表示第个头的注意力机制计算出的第条元路径实例的权重,为归一化函数,是数学常数的指数,是使用注意力机制聚合高质量实例嵌入向量后的用户的第条元路径的嵌入向量,为平均操作;

再使用注意力机制聚合同种行为的全部元路径嵌入向量,从而得到用户的行为语义嵌入向量,表达式为:其中,为用户的同种行为的第条元路径对的重要性得分,是注意力参数的特征向量,是用户的同种行为的第条元路径的嵌入向量,是第条元路径的权重;是用户的行为语义嵌入向量,按行为类型分为目标行为语义嵌入向量和辅助行为语义嵌入向量;

再使用卷积神经网络提取商品元路径实例的嵌入向量,然后通过注意力机制聚合商品元路径实例的嵌入向量得到商品元路径的嵌入向量,最后再通过注意力机制聚合商品元路径的嵌入向量得到聚合商品元路径嵌入向量。

7.根据权利要求6所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,步骤S34具体包括:在用户辅助行为语义映射模块中,先拼接步骤S33得到的用户辅助行为语义嵌入向量和步骤S32得到的用户辅助行为初始嵌入向量,然后将拼接后的嵌入向量输入到多层感知机中,接着对多层感知机输出的嵌入向量进行切片、重塑,得到可学习的参数矩阵和偏置参数向量,最后通过映射函数得到映射后的辅助行为语义嵌入向量,表达式为:其中,是通过多层感知机处理后的嵌入向量,是多层感知机,是用户的第种辅助行为的语义嵌入向量,是用户的第种辅助行为的初始嵌入向量,表示拼接操作,是用户的第种辅助行为的可学习的映射参数矩阵,表示向量重塑操作;表示切片操作,提取前个分量;是用户的第种辅助行为的可学习的映射偏置参数向量;表示切片操作,提取第个至最后的分量;是映射后的用户的第种辅助行为语义嵌入向量,表示非线性激活函数,表示归一化函数。

8.根据权利要求7所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,步骤S35中,对比学习损失函数的表达式为:其中,为第种辅助行为的损失函数,表示用户节点数量,为用户目标行为语义嵌入向量,表示温度系数,为用户目标行为语义嵌入向量。

9.根据权利要求8所述的基于多行为元路径语义映射的商品推荐方法,其特征在于,步骤S4具体包括:步骤S41,将用户目标行为语义嵌入向量与映射后的辅助行为语义嵌入向量融合,得到最终的用户嵌入向量,表达式为:其中,为用户对应的最终的用户嵌入向量;

步骤S42,将商品的初始嵌入向量与聚合商品元路径嵌入向量融合,得到最终的商品嵌入向量,表达式为:其中,为商品对应的最终的商品嵌入向量,为商品的初始嵌入向量,为商品对应的聚合商品元路径嵌入向量;

步骤S43,基于最终的用户嵌入向量与最终的商品嵌入向量得到商品评分函数,表达式为:其中,表示用户购买商品的预测分数,表示转置;

步骤S44,将用户已购买的商品设为正样本,未购买的商品设为负样本,分别从正样本与负样本中随机采样个样本组合为正负样本对,使用成对边际损失函数进行目标优化,表达式为:其中,为商品购买推荐任务的成对边际损失函数,为用户购买第个正样本的预测分数,为用户购买第个负样本的预测分数,表示取最大值;

将对比学习损失函数与成对边际损失函数加权融合,得到商品推荐模型的最终损失函数,表达式为:其中,是控制对比学习强度的超参数,是控制权重衰减强度的超参数,是商品推荐模型的参数,表示参数矩阵的Frobenius范数的平方;

通过最小化最终损失函数,商品推荐模型最终输出商品推荐列表。