[发明专利]基于多层异质属性网络表征学习的个性化商品推荐方法及系统

权利要求书

1.基于多层异质属性网络表征学习的个性化商品推荐方法，其特征是包括如下步骤：

步骤1，将每个用户作为一个用户节点，每个商品作为一个商品节点，将用户与商品间每一种交互行为看作一种类型的边；从而构建一个多层异质属性网络G＝(V，E，X)，其中V＝V_u∪V_w，V_u为所有用户节点的集合，V_w为所有商品节点的集合，E＝∪_b∈BE_b为所有类型边的边集合，B为各种交互行为集合；

是所有节点的属性矩阵，每一行表示对应节点的属性向量，每种属性都采用one-hot编码，n为所有节点数量，m为节点编码后的属性的维度；

步骤2，解耦多层异质属性网络

为了区分不同类型的交互关系对节点表征的影响与作用，首先将上述多层异质属性网络解耦成多个简单的二分网络，二分网络就是只有两类节点和一种边的网络，将被解耦成四个单独的二分网络，每个二分网络仅包含一种用户与商品间的关系；令{A₁，...，A_b，...，A_|B|}表示解耦后的所有二分网络的邻接矩阵集合；针对每种类型的边，构建一个邻接矩阵，由于要同时对用户节点与商品节点进行低维表征学习，所以构建了用户节点+商品节点的对角线为零的对称邻接矩阵其中C_b为用户与商品的一种连接边关系；

步骤3，融合各个二分网络

对所有二分网络的邻接矩阵执行一次加权累加获得一个新组合的邻接矩阵

其中权重β_b表示第b个二分网络在电子商务复杂网络中的重要性；

步骤4，谱图转换

为了保留异质网络中的高阶拓扑信息，在上执行谱图转换即捕获到整个复杂网络中的所有元路径交互信息：

其中，K是邻接矩阵的最高阶数，K取值范围{1，2，3，4，5}，α_i表示邻接矩阵第i阶的权重，包含了所有长度为i的元路径交互，因此，该谱图转换函数不仅同时学习到了不同长度的元路径交互信息，同时还捕获到了各二分网络中高阶的网络结构；

步骤5，基于随机投影的网络表征学习

首先融合谱图转换后的邻接矩阵和节点属性特征矩阵X，最后利用随机投影方法获得所有节点的表征向量Z；

所述表征学习方法由图卷积神经网络GCN简化而来，具体来说，利用谱图转换代替GCN中谱图卷积来捕获复杂网络的跨关系结构信息，再利用随机投影得到网络的低维表征：

其中为随机投影矩阵，m是节点属性维度，d是节点表征向量维度，d的取值为不超过所有节点数量n的1/100；

步骤6，模型调参

从历史数据中随机采样一定比例的正边以及等同数量的负边组成验证集，负边是网络中不存在的边；使用验证集对公式(3)中参数K，α₁，…，α_K，β₁，…，β_|B|进行调参，K从集合{1，2，3，4，5}取值，|B|取决于用户与商品交互行为的种类，α₁，…，α_K，β₁，…，β_|B|可在[10^-5，10⁵]区间搜索；在调参时，将所有参数先设置为1，首先选择一个参数并固定其余参数进行调整，利用验证集进行10次推荐预测，取平均受试者工作特征曲线下面积(AUC)、平衡F分数(F1-Score)、精确率召回率曲线下面积(PR)的和作为算法的效果指标调整参数设置，当三者的和为最大时该参数即调整为最优；然后再取下一个未被调整的参数，重复上述步骤，直到所有参数均被调整为最优；所有参数确定最优取值后，根据公式(3)的表征学习方法，获得每个节点最终的表征向量；

步骤7，个性化商品推荐，基于学习到的所有用户节点与商品节点的表征向量，对于给定用户v，利用余弦相似性度量用户v对商品w的偏好：

其中是用户v的表征向量，是商品w的表征向量；最后，根据公式(4)计算用户v对所有商品的偏好并排序，选择偏好最大的Top-k个商品，进行个性化推荐；

所述步骤1中用户与商品间的交互行为包括点击、购买、收藏、加入购物车；

所述步骤1中节点的属性向量包括用户的地理位置、性别、年龄段、季度消费均额，商品的类别、价格、描述信息。