一种面向社区团购的图神经网络推荐系统

1.本发明属于神经网络技术领域，具体为一种面向社区团购的图神经网络推荐系统。


背景技术：

2.社区团购是真实居住社区内居民团体的一种互联网线上线下购物消费行为，是依托真实社区的一种区域化、小众化、本地化、网络化的团购形式。简而言之，它是依托社区和团长社交关系实现生鲜商品流通的新零售模式。推荐系统是解决信息不对称问题的有效方法，能极大提升农产品社区团购等新兴互联网应用的业务运营效率。社区团购在运行时会根据用户的喜好进行商品推荐。
3.但是常见的推荐系统的精准度较低，使得推荐的结果不够准确。


技术实现要素：

4.本发明的目的在于：为了解决上述提出的问题，提供一种面向社区团购的图神经网络推荐系统。
5.本发明采用的技术方案如下：一种面向社区团购的图神经网络推荐系统，包括电源供电模块、数据获取模块、数据处理模块、特征图神经网络模块、知识图谱构建模块、团购商品推荐模块、特征初始化模块、嵌入传播层模块和评分预测模块，所述电源供电模块的输出端连接有所述数据获取模块的输入端，所述数据获取模块的输出端连接有所述数据处理模块的输入端，所述数据处理模块的输出端连接有所述特征图神经网络模块的输入端，所述特征图神经网络模块的输出端连接有所述知识图谱构建模块的输入端，所述知识图谱构建模块的输出端连接有所述团购商品推荐模块的输入端。
6.在一优选的实施方式中，所述数据处理模块的内部设置有特征初始化模块、嵌入传播层模块和评分预测模块，所述特征初始化模块、嵌入传播层模块和评分预测模块的整体输出端连接有所述数据处理模块的输入端。
7.在一优选的实施方式中，所述数据获取模块在获取用户偏好隐因子和社交影响力隐因子后，通过多层感知器对两者进行级联和迭代操作；多层感知器每一节点层全连接到下一层，因此上述操作构成了一个由多个节点层所组成的有向图；通过该图神经网络可获得用户隐因子，所述数据获取模块述获取用户交易数据的步骤具体包括：获取用户id、用户购买商品id、商品名称。
8.在一优选的实施方式中，所述特征初始化模块设计一个注意力层，在模型中每一个嵌入传播层都会输出一个新的节点的表示特征，我们利用注意力机制对不同层之间的特征进行加权，然后再与原始特征进行串联操作。可以看出进行加权后的模型效果更好，可以学习到更好的表示特征。
9.在一优选的实施方式中，所述嵌入传播层模块对于推荐模型，最终用户对社区团购商品的预测偏好由用户-项目之间的交互特征表示。即最终的预测值相当于将每层的输
出特征进行了加权的操作，再将初始特征与每层汇总之后的特征表示进行串联操作，由于它不需要学习其他参数所以串联操作是十分简单的，模型结合了不同层之间的节点特征的同时也保留了初始特征使得最终的特征表示更加的丰富。
10.在一优选的实施方式中，所述评分预测模块采用小批量adam算法优化模型，对于参数初始化使用的是xavier，它具有计算效率高，能较好处理稀疏梯度等优点。为了防止模型发生过拟合现象，在神经网络中添加了batch normali-zation和dropout。bn是指使在模型训练过程中，使得每一层的输入均服从标准正态分布。dropout是指在训练神经网络的过程中，按照指定的比例从神经网络中将部分神经元暂时舍弃。
11.在一优选的实施方式中，所述特征图神经网络模块通过深度卷积神经网络分析文本评论中的丰富语义表示，利用单词嵌入技术将评论文本映射到较低维度的语义空间，并保留文本序列信息。然后，将提取的特征依次输入卷积层、最大池化层和全连接层，将一种农产品相关的所有文本内容视为一个整体进行文本分类。最后，将文本数据的结果映射为one-hot编码格式的分类结果。由于不同属性的维度可能不相同，选择维度最高的属性作为一致性标准，即在其他属性对应的编码结果中添加零，以此统一所有属性的维度。
12.在一优选的实施方式中，所述特征图神经网络模块使用rmse模型，rmse通常用于标衡量推荐模型预测的用户评分与观察到的真实评分间的差异，适合比较特定数据集上不同模型的预测误差，该值总为负数，一般而言较低的rmse优于较高的rmse。将各种数据点预测误差的大小汇总到单一预测能力指标中，每个误差对rmse的影响与平方误差的大小呈正相关，以此造成较大的误差对rmse的影响不成比例。因此，rmse对异常值更敏感。
13.在一优选的实施方式中，所述知识图谱构建模块的步骤具体包括：
14.s1.对商品名称进行分词、词性标注以及实体识别以得到由名词组成的商品标签；
15.s2.对所述商品标签进行同义词扩充和上位词提取，以得到同义词标签和上位词标签，并与所述商品名称对应的用户购买商品id进行关联；
16.s3.基于cn-dbpedia在所述上位词标签和所述商品标签共同组成的标签列表中提取子知识图谱，以作为所述商品名称对应的用户购买商品id的第一子知识图谱；
17.s4.将各个用户购买商品id对应的第一子知识图谱，与各个用户购买商品id对应的所述同义词标签进行关联，以得到第二子知识图谱；
18.s5.将各个所述第二子知识图谱进行关联已得到所述商品知识图谱。
19.在一优选的实施方式中，所述团购商品推荐模块的步骤具体包括：
20.s1:获取所述商品知识图谱；
21.s2:基于kgat模型和transd模型进行所述商品知识图谱的嵌入；
22.s3:基于嵌入的关系空间中头实体和尾实体的距离作为注意力得分机制，采取内机的方式计算注意力得分；
23.s4:基于注意力得分结果进行商品推荐。
24.综上所述，由于采用了上述技术方案，本发明的有益效果是：
25.本发明中，提出图神经网络推荐模型gnn-r4a将推荐系统特征空间看作用户特征与农产品特征的综合。由于用户特征是偏好及其社会影响的级联，农产品特征是农产品属性及其关系的级联，为此将用户特征空间与农产品特征空间抽象为两个图神经网络，分别通过深度图神经方法进行编码。编码的双空间被视为矩阵分解过程中的两个隐因子，以预
测用户未知偏好，从而提高了整体的准确性，为人们的使用带来了更多的便利，且知识图谱构建模块的构建使得由于商品知识图谱，拥有丰富的语义关联信息，可以为推荐系统提供丰富的辅助信息。与没有知识图谱辅助的推荐模型相比，使用知识图谱辅助的推荐模型可以让推荐结果提高精确性、多样性，进一步丰富了人们的使用体验。
附图说明
26.图1为本发明的系统框图；
27.图2为本发明中数据处理模块系统框图。
28.图中标记：1-电源供电模块、2-数据获取模块、3-数据处理模块、4-特征图神经网络模块、5-知识图谱构建模块、6-团购商品推荐模块、7-特征初始化模块、8-嵌入传播层模块、9-评分预测模块。
具体实施方式
29.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
30.参照图1-2，
31.实施例：
32.一种面向社区团购的图神经网络推荐系统，包括电源供电模块1、数据获取模块2、数据处理模块3、特征图神经网络模块4、知识图谱构建模块5、团购商品推荐模块6、特征初始化模块7、嵌入传播层模块8和评分预测模块9，电源供电模块1的输出端连接有数据获取模块2的输入端，数据获取模块2的输出端连接有数据处理模块3的输入端，数据处理模块3的输出端连接有特征图神经网络模块4的输入端，特征图神经网络模块4的输出端连接有知识图谱构建模块5的输入端，知识图谱构建模块5的输出端连接有团购商品推荐模块6的输入端。
33.数据处理模块3的内部设置有特征初始化模块7、嵌入传播层模块8和评分预测模块9，特征初始化模块7、嵌入传播层模块8和评分预测模块9的整体输出端连接有数据处理模块3的输入端。
34.数据获取模块2在获取用户偏好隐因子和社交影响力隐因子后，通过多层感知器对两者进行级联和迭代操作；多层感知器每一节点层全连接到下一层，因此上述操作构成了一个由多个节点层所组成的有向图；通过该图神经网络可获得用户隐因子，数据获取模块2述获取用户交易数据的步骤具体包括：获取用户id、用户购买商品id、商品名称。
35.特征初始化模块7设计一个注意力层，在模型中每一个嵌入传播层都会输出一个新的节点的表示特征，我们利用注意力机制对不同层之间的特征进行加权，然后再与原始特征进行串联操作。可以看出进行加权后的模型效果更好，可以学习到更好的表示特征。
36.嵌入传播层模块8对于推荐模型，最终用户对社区团购商品的预测偏好由用户-项目之间的交互特征表示。即最终的预测值相当于将每层的输出特征进行了加权的操作，再将初始特征与每层汇总之后的特征表示进行串联操作，由于它不需要学习其他参数所以串联操作是十分简单的，模型结合了不同层之间的节点特征的同时也保留了初始特征使得最
终的特征表示更加的丰富。
37.评分预测模块9采用小批量adam算法优化模型，对于参数初始化使用的是xavier，它具有计算效率高，能较好处理稀疏梯度等优点。为了防止模型发生过拟合现象，在神经网络中添加了batch normali-zation和dropout。bn是指使在模型训练过程中，使得每一层的输入均服从标准正态分布。dropout是指在训练神经网络的过程中，按照指定的比例从神经网络中将部分神经元暂时舍弃。
38.特征图神经网络模块4通过深度卷积神经网络分析文本评论中的丰富语义表示，利用单词嵌入技术将评论文本映射到较低维度的语义空间，并保留文本序列信息。然后，将提取的特征依次输入卷积层、最大池化层和全连接层，将一种农产品相关的所有文本内容视为一个整体进行文本分类。最后，将文本数据的结果映射为one-hot编码格式的分类结果。由于不同属性的维度可能不相同，选择维度最高的属性作为一致性标准，即在其他属性对应的编码结果中添加零，以此统一所有属性的维度。
39.特征图神经网络模块4使用rmse模型，rmse通常用于标衡量推荐模型预测的用户评分与观察到的真实评分间的差异，适合比较特定数据集上不同模型的预测误差，该值总为负数，一般而言较低的rmse优于较高的rmse。将各种数据点预测误差的大小汇总到单一预测能力指标中，每个误差对rmse的影响与平方误差的大小呈正相关，以此造成较大的误差对rmse的影响不成比例。因此，rmse对异常值更敏感。
40.知识图谱构建模块5的步骤具体包括：
41.s1.对商品名称进行分词、词性标注以及实体识别以得到由名词组成的商品标签；
42.s2.对商品标签进行同义词扩充和上位词提取，以得到同义词标签和上位词标签，并与商品名称对应的用户购买商品id进行关联；
43.s3.基于cn-dbpedia在上位词标签和商品标签共同组成的标签列表中提取子知识图谱，以作为商品名称对应的用户购买商品id的第一子知识图谱；
44.s4.将各个用户购买商品id对应的第一子知识图谱，与各个用户购买商品id对应的同义词标签进行关联，以得到第二子知识图谱；
45.s5.将各个第二子知识图谱进行关联已得到商品知识图谱。
46.团购商品推荐模块6的步骤具体包括：
47.s1:获取商品知识图谱；
48.s2:基于kgat模型和transd模型进行商品知识图谱的嵌入；
49.s3:基于嵌入的关系空间中头实体和尾实体的距离作为注意力得分机制，采取内机的方式计算注意力得分；
50.s4:基于注意力得分结果进行商品推荐。
51.本发明中，提出图神经网络推荐模型gnn-r4a将推荐系统特征空间看作用户特征与农产品特征的综合。由于用户特征是偏好及其社会影响的级联，农产品特征是农产品属性及其关系的级联，为此将用户特征空间与农产品特征空间抽象为两个图神经网络，分别通过深度图神经方法进行编码。编码的双空间被视为矩阵分解过程中的两个隐因子，以预测用户未知偏好，从而提高了整体的准确性，为人们的使用带来了更多的便利，且知识图谱构建模块5的构建使得由于商品知识图谱，拥有丰富的语义关联信息，可以为推荐系统提供丰富的辅助信息。与没有知识图谱辅助的推荐模型相比，使用知识图谱辅助的推荐模型可
以让推荐结果提高精确性、多样性，进一步丰富了人们的使用体验。
52.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
53.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种面向社区团购的图神经网络推荐系统，包括电源供电模块(1)、数据获取模块(2)、数据处理模块(3)、特征图神经网络模块(4)、知识图谱构建模块(5)、团购商品推荐模块(6)、特征初始化模块(7)、嵌入传播层模块(8)和评分预测模块(9)，其特征在于：所述电源供电模块(1)的输出端连接有所述数据获取模块(2)的输入端，所述数据获取模块(2)的输出端连接有所述数据处理模块(3)的输入端，所述数据处理模块(3)的输出端连接有所述特征图神经网络模块(4)的输入端，所述特征图神经网络模块(4)的输出端连接有所述知识图谱构建模块(5)的输入端，所述知识图谱构建模块(5)的输出端连接有所述团购商品推荐模块(6)的输入端。2.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述数据处理模块(3)的内部设置有特征初始化模块(7)、嵌入传播层模块(8)和评分预测模块(9)，所述特征初始化模块(7)、嵌入传播层模块(8)和评分预测模块(9)的整体输出端连接有所述数据处理模块(3)的输入端。3.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述数据获取模块(2)在获取用户偏好隐因子和社交影响力隐因子后，通过多层感知器对两者进行级联和迭代操作；多层感知器每一节点层全连接到下一层，因此上述操作构成了一个由多个节点层所组成的有向图；通过该图神经网络可获得用户隐因子，所述数据获取模块(2)述获取用户交易数据的步骤具体包括：获取用户id、用户购买商品id、商品名称。4.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述特征初始化模块(7)设计一个注意力层，在模型中每一个嵌入传播层都会输出一个新的节点的表示特征，我们利用注意力机制对不同层之间的特征进行加权，然后再与原始特征进行串联操作。5.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述嵌入传播层模块(8)对于推荐模型，最终用户对社区团购商品的预测偏好由用户-项目之间的交互特征表示。6.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述评分预测模块(9)采用小批量adam算法优化模型，对于参数初始化使用的是xavier，它具有计算效率高，能较好处理稀疏梯度等优点，为了防止模型发生过拟合现象，在神经网络中添加了batch normali-zation和dropout。7.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述特征图神经网络模块(4)通过深度卷积神经网络分析文本评论中的丰富语义表示，利用单词嵌入技术将评论文本映射到较低维度的语义空间，并保留文本序列信息，然后，将提取的特征依次输入卷积层、最大池化层和全连接层，将一种农产品相关的所有文本内容视为一个整体进行文本分类，最后，将文本数据的结果映射为one-hot编码格式的分类结果。8.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述特征图神经网络模块(4)使用rmse模型，rmse通常用于标衡量推荐模型预测的用户评分与观察到的真实评分间的差异，适合比较特定数据集上不同模型的预测误差，该值总为负数，一般而言较低的rmse优于较高的rmse。9.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述知识图谱构建模块(5)的步骤具体包括：
s1.对社区团购商品名称进行分词、词性标注以及实体识别以得到由名词组成的商品标签；s2.对所述社区团购商品标签进行同义词扩充和上位词提取，以得到同义词标签和上位词标签，并与所述社区团购商品名称对应的用户购买商品id进行关联；s3.基于cn-dbpedia在所述上位词标签和所述商品标签共同组成的标签列表中提取子知识图谱，以作为所述商品名称对应的用户购买商品id的第一子知识图谱；s4.将各个用户购买商品id对应的第一子知识图谱，与各个用户购买商品id对应的所述同义词标签进行关联，以得到第二子知识图谱；s5.将各个所述第二子知识图谱进行关联已得到所述商品知识图谱。10.如权利要求1所述的一种面向社区团购的图神经网络推荐系统，其特征在于：所述团购商品推荐模块(6)的步骤具体包括：s1:获取所述社区团购商品知识图谱；s2:基于kgat模型和transd模型进行所述社区团购商品知识图谱的嵌入；s3:基于嵌入的关系空间中头实体和尾实体的距离作为注意力得分机制，采取内机的方式计算注意力得分；s4:基于注意力得分结果进行商品推荐。

技术总结
本发明公开了一种面向社区团购的图神经网络推荐系统。本发明中，提出图神经网络推荐模型GNN-R4A将推荐系统特征空间看作用户特征与农产品特征的综合。为此将用户特征空间与农产品特征空间抽象为两个图神经网络，分别通过深度图神经方法进行编码。编码的双空间被视为矩阵分解过程中的两个隐因子，以预测用户未知偏好，从而提高了整体的准确性，为人们的使用带来了更多的便利，且知识图谱构建模块的构建使得由于商品知识图谱，拥有丰富的语义关联信息，可以为推荐系统提供丰富的辅助信息。与没有知识图谱辅助的推荐模型相比，使用知识图谱辅助的推荐模型可以让推荐结果提高精确性、多样性，进一步丰富了人们的使用体验。进一步丰富了人们的使用体验。进一步丰富了人们的使用体验。


技术研发人员：陈万志 王军
受保护的技术使用者：辽宁工程技术大学
技术研发日：2023.05.22
技术公布日：2023/8/16