欧美www网站,另类老妇性bbwbbw,久青草久青草视频在线观看,男女一进一出抽搐18禁视频,免费网站看av片

權(quán)利要求
1.基于用戶商品二部圖的隨機(jī)游走推薦方法，包括商城數(shù)據(jù)二部圖建模方法、基于二部圖和隨機(jī)游走算法的推薦算法和冷啟動問題解決方法，其特征在于：所述商城數(shù)據(jù)二部圖建模方法如下：基于商城數(shù)據(jù)，將離散信息用獨熱編碼表示，將數(shù)值信息用歸一化方法表示，將文本描述用sentence?transformer表示，最終每個用戶和商品節(jié)點都具有一個可以表示其特征的向量，該向量集合即為二部圖結(jié)構(gòu)中的節(jié)點；
所述基于二部圖和隨機(jī)游走算法的推薦算法如下：基于商城原始數(shù)據(jù)獲得二部圖后，采用隨機(jī)游走的方式進(jìn)行推薦系統(tǒng)的實現(xiàn)。
2.根據(jù)權(quán)利要求1所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于商城數(shù)據(jù)二部圖建模方法中：
二部圖是一種數(shù)據(jù)結(jié)構(gòu)，由節(jié)點和邊構(gòu)成，在商城場景中的用戶和商品可以抽象為兩種節(jié)點，節(jié)點之間的交互關(guān)系可以抽象為邊，最終形成一個二部圖結(jié)構(gòu)。
3.根據(jù)權(quán)利要求2所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于商城數(shù)據(jù)二部圖建模方法中：
將文本描述用sentence?transformer表示，用戶和用戶之間通過購買過同一商品來定義進(jìn)行過一次交互，如果進(jìn)行過交互則在節(jié)點間連邊。
4.根據(jù)權(quán)利要求2所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于商城數(shù)據(jù)二部圖建模方法中：
商品和商品之間根據(jù)向量表示通過計算余弦相似度，如果相似度超過閾值則在節(jié)點間連邊。
5.根據(jù)權(quán)利要求2所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于商城數(shù)據(jù)二部圖建模方法中：
商品和用戶之間通過直接購買關(guān)系來定義交互，如果進(jìn)行過交互則在節(jié)點間連邊，至此，數(shù)據(jù)體現(xiàn)的商城場景中的所有信息都包含在了二部圖中。
6.根據(jù)權(quán)利要求1所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于二部圖和隨機(jī)游走算法的推薦算法中：
隨機(jī)游走算法實現(xiàn)推薦的主要原理為：從某用戶節(jié)點出發(fā)，根據(jù)轉(zhuǎn)移概率矩陣P來隨機(jī)選擇一個一階鄰居節(jié)點作為下一個游走到的節(jié)點，以上過程重復(fù)s次，稱為一次游走。
7.根據(jù)權(quán)利要求6所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于二部圖和隨機(jī)游走算法的推薦算法中：
一次游走結(jié)束后，算法將再次回到起始節(jié)點進(jìn)行下一次游走，并重復(fù)r次；
在以上過程中，算法維護(hù)一個字典，字典的鍵為節(jié)點編號，值為相應(yīng)節(jié)點被游走到的次數(shù)。
8.根據(jù)權(quán)利要求6所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于二部圖和隨機(jī)游走算法的推薦算法中：
由于字典中同時包含了商品節(jié)點和用戶節(jié)點，只取其中的商品節(jié)點根據(jù)游走到的次數(shù)進(jìn)行排序，取其中前10個商品進(jìn)行推薦。
9.根據(jù)權(quán)利要求1所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于冷啟動問題解決方法中：
根據(jù)已經(jīng)建立的二部圖，新用戶加入后，即一個新到的用戶節(jié)點，則根據(jù)其瀏覽信息與原圖建立新連接，直接訪問過某物品則與該商品節(jié)點連邊，與某用戶交互過則與該用戶節(jié)點連邊，由此，就可以得到一個新的二部圖，再根據(jù)新的二部圖和前述的隨機(jī)游走算法進(jìn)行推薦列表的最終生成。
10.根據(jù)權(quán)利要求9所述的基于用戶商品二部圖的隨機(jī)游走推薦方法，其特征在于：基于冷啟動問題解決方法中：已經(jīng)建立的二部圖與新建立的二部圖可同時進(jìn)行隨機(jī)游走機(jī)制推薦。

說明書
基于用戶商品二部圖的隨機(jī)游走推薦方法
技術(shù)領(lǐng)域
本發(fā)明涉及商品推薦系統(tǒng)技術(shù)領(lǐng)域，具體為基于用戶商品二部圖的隨機(jī)游走推薦方法。
背景技術(shù)
推薦算法在電子商務(wù)領(lǐng)域有廣泛應(yīng)用，可以基于用戶注冊信息和瀏覽數(shù)據(jù)，推測用戶喜歡的商品，為用戶在線購物給出個性化推薦。推薦算法主要包括協(xié)同過濾算法和基于內(nèi)容的推薦算法。協(xié)同過濾算法主要用來建模交互行為，比如點擊、購買等操作。經(jīng)典的算法包括MF、NCF、基于圖的推薦算法、一些序列化推薦算法、社交推薦算法等；點擊率預(yù)估算法主要用來利用豐富的屬性信息、上下文信息以及用戶和物品的特征信息來增強(qiáng)推薦系統(tǒng)。主流的方法包括FM、DeepFM、AFM等?；趫D的推薦算法，由于可以充分考慮客戶間、客戶與商品間及商品間相關(guān)性，通過圖節(jié)點間的關(guān)聯(lián)學(xué)習(xí)和預(yù)測客戶喜歡的商品，往往具有更好的推薦準(zhǔn)確性，所以目前是推薦系統(tǒng)進(jìn)行推薦的主流算法。但如何根據(jù)商城的用戶和商品特征描述信息構(gòu)建圖結(jié)構(gòu)是一個難點問題，而圖結(jié)構(gòu)的構(gòu)建是應(yīng)用基于圖的推薦算法的關(guān)鍵。另外一個問題是推薦的冷啟動問題。當(dāng)一個新用戶第一次登陸系統(tǒng)時，如何向其推薦最合適的商品，是當(dāng)前推薦算法面臨和必須解決的另一個難題。
發(fā)明內(nèi)容
本發(fā)明的目的在于提供基于用戶商品二部圖的隨機(jī)游走推薦方法，以解決上述背景技術(shù)中提出的問題。
為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于用戶商品二部圖的隨機(jī)游走推薦方法，包括商城數(shù)據(jù)二部圖建模方法、基于二部圖和隨機(jī)游走算法的推薦算法和冷啟動問題解決方法，所述商城數(shù)據(jù)二部圖建模方法如下：基于商城數(shù)據(jù)，將離散信息用獨熱編碼表示，將數(shù)值信息用歸一化方法表示，將文本描述用sentence?transformer表示，最終每個用戶和商品節(jié)點都具有一個可以表示其特征的向量，該向量集合即為二部圖結(jié)構(gòu)中的節(jié)點；所述基于二部圖和隨機(jī)游走算法的推薦算法如下：基于商城原始數(shù)據(jù)獲得二部圖后，采用隨機(jī)游走的方式進(jìn)行推薦系統(tǒng)的實現(xiàn)。
優(yōu)選的，基于商城數(shù)據(jù)二部圖建模方法中：二部圖是一種數(shù)據(jù)結(jié)構(gòu)，由節(jié)點和邊構(gòu)成，在商城場景中的用戶和商品可以抽象為兩種節(jié)點，節(jié)點之間的交互關(guān)系可以抽象為邊，最終形成一個二部圖結(jié)構(gòu)。
優(yōu)選的，基于商城數(shù)據(jù)二部圖建模方法中：將文本描述用sentence?transformer表示，用戶和用戶之間通過購買過同一商品來定義進(jìn)行過一次交互，如果進(jìn)行過交互則在節(jié)點間連邊。
優(yōu)選的，基于商城數(shù)據(jù)二部圖建模方法中：商品和商品之間根據(jù)向量表示通過計算余弦相似度，如果相似度超過閾值則在節(jié)點間連邊。
優(yōu)選的，基于商城數(shù)據(jù)二部圖建模方法中：商品和用戶之間通過直接購買關(guān)系來定義交互，如果進(jìn)行過交互則在節(jié)點間連邊，至此，數(shù)據(jù)體現(xiàn)的商城場景中的所有信息都包含在了二部圖中。
優(yōu)選的，基于二部圖和隨機(jī)游走算法的推薦算法中：隨機(jī)游走算法實現(xiàn)推薦的主要原理為：從某用戶節(jié)點出發(fā)，根據(jù)轉(zhuǎn)移概率矩陣P來隨機(jī)選擇一個一階鄰居節(jié)點作為下一個游走到的節(jié)點，以上過程重復(fù)s次，稱為一次游走。
優(yōu)選的，基于二部圖和隨機(jī)游走算法的推薦算法中：一次游走結(jié)束后，算法將再次回到起始節(jié)點進(jìn)行下一次游走，并重復(fù)r次；在以上過程中，算法維護(hù)一個字典，字典的鍵為節(jié)點編號，值為相應(yīng)節(jié)點被游走到的次數(shù)。
優(yōu)選的，基于二部圖和隨機(jī)游走算法的推薦算法中：由于字典中同時包含了商品節(jié)點和用戶節(jié)點，只取其中的商品節(jié)點根據(jù)游走到的次數(shù)進(jìn)行排序，取其中前10個商品進(jìn)行推薦。
優(yōu)選的，基于冷啟動問題解決方法中：根據(jù)已經(jīng)建立的二部圖，新用戶加入后，即一個新到的用戶節(jié)點，則根據(jù)其瀏覽信息與原圖建立新連接，直接訪問過某物品則與該商品節(jié)點連邊，與某用戶交互過則與該用戶節(jié)點連邊，由此，就可以得到一個新的二部圖，再根據(jù)新的二部圖和前述的隨機(jī)游走算法進(jìn)行推薦列表的最終生成。
優(yōu)選的，基于冷啟動問題解決方法中：已經(jīng)建立的二部圖與新建立的二部圖可同時進(jìn)行隨機(jī)游走機(jī)制推薦。
與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明基于現(xiàn)有技術(shù)的分析，主要解決了圖推薦算法中圖結(jié)構(gòu)構(gòu)建和新用戶的冷啟動問題，并通過利用自然語言處理的最新技術(shù)，實現(xiàn)圖推薦算法需要的用戶-商品二部圖的精確構(gòu)建，同時利用新用戶瀏覽記錄進(jìn)行建模，解決冷啟動問題。
附圖說明
圖1為本發(fā)明的整體架構(gòu)示意圖；
圖2為本發(fā)明的冷啟動問題解決方案示意圖；
圖3為本發(fā)明的二部圖的可視化示意圖。
具體實施方式
下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。
請參閱圖1至圖3，本發(fā)明提供的四種實施例：
實施例一：
基于用戶商品二部圖的隨機(jī)游走推薦方法，包括商城數(shù)據(jù)二部圖建模方法、基于二部圖和隨機(jī)游走算法的推薦算法和冷啟動問題解決方法，商城數(shù)據(jù)二部圖建模方法如下：基于商城數(shù)據(jù)，將離散信息用獨熱編碼表示，將數(shù)值信息用歸一化方法表示，將文本描述用sentence?transformer表示，最終每個用戶和商品節(jié)點都具有一個可以表示其特征的向量，該向量集合即為二部圖結(jié)構(gòu)中的節(jié)點；二部圖是一種數(shù)據(jù)結(jié)構(gòu)，由節(jié)點和邊構(gòu)成，在商城場景中的用戶和商品可以抽象為兩種節(jié)點，節(jié)點之間的交互關(guān)系可以抽象為邊，最終形成一個二部圖結(jié)構(gòu)。將文本描述用sentence?transformer表示；用戶和用戶之間通過購買過同一商品來定義進(jìn)行過一次交互，如果進(jìn)行過交互則在節(jié)點間連邊；商品和商品之間根據(jù)向量表示通過計算余弦相似度，如果相似度超過閾值則在節(jié)點間連邊；商品和用戶之間通過直接購買關(guān)系來定義交互，如果進(jìn)行過交互則在節(jié)點間連邊，至此，數(shù)據(jù)體現(xiàn)的商城場景中的所有信息都包含在了二部圖中。
根據(jù)方案和商城數(shù)據(jù)，實現(xiàn)了由3個子圖構(gòu)成的最終大圖，其中包括商品-商品相似度圖、商品-用戶交互圖以及用戶-用戶交互圖。圖建立后進(jìn)行可視化展示參閱附圖3。商品節(jié)點根據(jù)相似性呈現(xiàn)按簇聚集的現(xiàn)象，用戶和商品節(jié)點之間有明顯的分層現(xiàn)象，符合建模預(yù)期。
實施例二：
基于二部圖和隨機(jī)游走算法的推薦算法如下：基于商城原始數(shù)據(jù)獲得二部圖后，采用隨機(jī)游走的方式進(jìn)行推薦系統(tǒng)的實現(xiàn)。隨機(jī)游走算法實現(xiàn)推薦的主要原理為：從某用戶節(jié)點出發(fā)，根據(jù)轉(zhuǎn)移概率矩陣P來隨機(jī)選擇一個一階鄰居節(jié)點作為下一個游走到的節(jié)點，以上過程重復(fù)s次，稱為一次游走。一次游走結(jié)束后，算法將再次回到起始節(jié)點進(jìn)行下一次游走，并重復(fù)r次；在以上過程中，算法維護(hù)一個字典，字典的鍵為節(jié)點編號，值為相應(yīng)節(jié)點被游走到的次數(shù)；
由于字典中同時包含了商品節(jié)點和用戶節(jié)點，只取其中的商品節(jié)點根據(jù)游走到的次數(shù)進(jìn)行排序，取其中前10個商品進(jìn)行推薦。
在實現(xiàn)基于隨機(jī)游走的推薦算法后，驗證方法是在商品-用戶二部圖中隨機(jī)采樣20％的邊作為測試集來驗證最終模型的效果。模型最終給測試集中的用戶節(jié)點推薦10件商品，推薦列表中包含所有用戶購買商品的概率為最終評價指標(biāo)：最終模型效果為：recall平均值為0.8246509205199504。即對于每位用戶，給其推薦10件商品時，推薦結(jié)果中包含所有用戶購買過的商品的概率達(dá)到80％以上，符合模型預(yù)期。
實施例三：
基于冷啟動問題解決方法中：根據(jù)已經(jīng)建立的二部圖，新用戶加入后，即一個新到的用戶節(jié)點，則根據(jù)其瀏覽信息與原圖建立新連接，直接訪問過某物品則與該商品節(jié)點連邊，與某用戶交互過則與該用戶節(jié)點連邊，由此，就可以得到一個新的二部圖，再根據(jù)新的二部圖和前述的隨機(jī)游走算法進(jìn)行推薦列表的最終生成?；诶鋯訂栴}解決方法中：已經(jīng)建立的二部圖與新建立的二部圖可同時進(jìn)行隨機(jī)游走機(jī)制推薦。
在實現(xiàn)冷啟動解決方案后，驗證方法是，基于已得數(shù)據(jù)中，擁有購買記錄和訪問記錄的用戶322人，在原圖中去掉這些用戶節(jié)點用作測試集，模型最終給測試集中的每個用戶推薦10件商品，推薦列表中包含所有用戶購買過商品的概率為最終評價指標(biāo)：最終模型效果為：recall平均值為0.9409714669566887。即對于每位用戶，給其推薦10件商品時，推薦結(jié)果中包含所有用戶購買過的商品的概率達(dá)到90％以上，符合模型預(yù)期。
實施例四：
以某商城推薦場景為例，展示如何從商城提供的原始數(shù)據(jù)得到二部圖，如何進(jìn)行隨機(jī)游走推薦，以及如何解決冷啟動問題。商城提供的原始數(shù)據(jù)格式如下：主要包括用戶訂單數(shù)據(jù)、商品詳細(xì)信息數(shù)據(jù)及日志數(shù)據(jù)。通過商品唯一標(biāo)識，確定了359件商品，通過用戶唯一標(biāo)識，確定了2350名有過購買記錄的用戶。接下來對商品和用戶進(jìn)行向量化處理。對于每一件商品，其中顏色等離散信息用獨熱編碼(one-hot?encoding)來表示，價格等數(shù)值信息用歸一化進(jìn)行處理，文本描述用sentence?transformer進(jìn)行處理，最終將三部分向量拼接在一起，為每件商品都生成一個808維特征向量；對于每一名用戶，購買方式等離散信息用獨熱編碼來表示，平均購買過的所有商品向量作為其特征，最終把兩部分向量拼接在一起，為每個用戶生成一個827維特征向量。調(diào)用Python的DGL庫，生成一個異質(zhì)圖，再將異質(zhì)圖轉(zhuǎn)化成同質(zhì)圖導(dǎo)出，存成一個2709*2709的矩陣，作為最終二部圖臨接矩陣(AdjacentMatrix)，其中前359個id代表商品，后2350個id代表用戶，至此二部圖完成建立。然后根據(jù)前述方法實現(xiàn)從某個用戶節(jié)點開始的隨機(jī)游走算法。最終輸出一個推薦列表。對于新到的用戶節(jié)點，根據(jù)歷史訪問信息，直接訪問過某物品則與該商品節(jié)點連邊，與某用戶交互過(訪問過同一物品)則與該用戶節(jié)點連邊，得到新的圖后進(jìn)行隨機(jī)游走推薦。
對于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實施例的細(xì)節(jié)，而且在不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實現(xiàn)本發(fā)明。因此，無論從哪一點來看，均應(yīng)將實施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán)利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有變化囊括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。