一种跨层级图对比学习捆绑商品推荐方法

1.本发明涉及偏好预测的跨层级图对比学习捆绑推荐技术领域，特别是涉及一种跨层级图对比学习捆绑商品推荐方法。


背景技术：

2.随着互联网的快速发展伴随而来的是大量数据的诞生，大数据时代为人们的生活带来了便利，同时也为人们带来了更多的选择。但是用户如何从大量互联网信息中找到自己感兴趣的信息就变得异常困难，因此就会给用户带来一个信息过载的问题。因此催生了推荐系统。早期的推荐系统需要用户提供明确需求的输入，这也就缺乏了个性化。个性化推荐系统则是自动收集用户的历史信息记录，最终，向用户推荐符合个人喜好的信息。
3.推荐系统是根据用户的偏好建立合适的模型并通过学习推荐用户可能感兴趣的物品，这里的物品是一个广泛的概念，它可以是一首或几首歌曲，一段或几段短视频。传统的推荐系统着眼于将评分最高的一个或多个物品推荐给用户。但随着用户行为变得日趋复杂，很多时候用户不仅局限于与用一个物品进行交互。他们往往希望一次性获得更多的产品。例如在电子商务中，很多用户基于不同的目的会选择将多种物品加入到购物车之后再一同购买。这种方法不仅满足的用户的需求，捆绑起来一起购买可能会更加经济实惠。


技术实现要素：

4.本发明目的是为了克服现有技术中的不足，提出了一种跨层级图对比学习捆绑商品推荐方法。实现向用户推荐评分最高的多个物品，并且在现实生活中，用户往往希望一次性获得更多的产品。例如在电子商务中，很多用户基于不同的目的会选择将多种物品加入到购物车之后再一同购买。这种方法不仅满足的用户的需求，捆绑起来一起购买可能会更加经济实惠。
5.本发明是通过以下技术方案实现的，本发明提出一种跨层级图对比学习捆绑商品推荐方法，所述方法包括如下步骤：
6.步骤1、获取商品交易数据集选取t％的数据作为训练数据，(1-t％)的数据作为测试数据，其中训练数据集包含用户对商品、用户对捆绑包的交互历史以及捆绑包组成关系；
7.步骤2、从局部角度考虑，根据用户的行为历史，构建用户-商品交互关系二部图；
8.步骤3、从全局角度考虑，构建一个用户-捆绑包-商品全局结构图；
9.步骤4、构建局部图编码器，用户-商品的聚合过程为商品的聚合过程为其中w
uc
为聚合器的训练参数矩阵，d
uc
为邻接矩阵a
uc
的度矩阵，用户-捆绑包的聚合过程为其中w
ub
为聚合器的训练参数矩阵，d
ub
为邻接矩阵a
ub
的度矩阵，捆绑包-商品的聚合过程为商品的聚合过程为其中w
bc
为聚合器的训练参数矩阵，d
bc
为邻接矩阵a
bc
的度矩阵，
10.步骤5、构建全局图编码器，用户-捆绑包-商品的聚合过程为商品的聚合过程为其中a
global
为全局图的邻接矩阵，为全局图的邻接矩阵，d为邻接矩阵a
global
的度矩阵，
11.步骤6、学习用户与捆绑包的互补信息；
12.步骤7、学习全局的用户与捆绑包的互补信息；
13.步骤8、针对上述表征结果，设计对比损失；对于局部表征，用户对比损失函数为:式中ψ(.,.)＝exp(sim(.,.)/τ)，其中表示余弦相似度函数，τ表示温度系数；捆绑包对比损失函数为:对于全局表征，用户对比损失函数为:捆绑包的对比损失函数为：捆绑包的对比损失函数为：
14.步骤9、获得用户和捆绑包的局部和全局的表征结果后，通过对用户/捆绑包表征的连接操作，得到最终的用户/捆绑包表征；使用内积操作预测用户对捆绑包的得分，如下所示：其中
15.步骤10、使用贝叶斯个性化排名损失作为主要损失，具体为：步骤10、使用贝叶斯个性化排名损失作为主要损失，具体为：其中，o＝{(u,b,b')|(u,b)∈o
+
,(u,b')∈o-}是由可观察的交互o
+
和未观察到的o-组成的训练数据，σ是sigmod激活函数；最小化目标为组成的训练数据，σ是sigmod激活函数；最小化目标为式中式中θ为模型参数集，β和λ分别为控制对比损失和l2正则化项的两个超参数；从而得到最终推荐结果。
16.进一步地，训练数据集中的用户集合为u，u＝{u1，u2，...，ui，...，un}，i∈{1，...，n}，其中ui为第i个用户，n为用户的数量，商品集合为c，c＝{c1，c2，...，cj，...，cm}，j∈{1，...，m}，其中cj为第j个商品，m为商品的数量，捆绑包集合为b，b＝{b1，b2，...，bk，...，bo}，k∈{1，...，o}，其中vj为第j个捆绑包，o为捆绑包的数量；此外，第i个用户的初始化特征向量为hu为用户集合u的特征矩阵，其中第j个商品的初始化特征向量为hc为商品集合c的特征矩阵，其中
第k个捆绑包的初始化特征向量为hb为捆绑包集合b的特征矩阵，其中其中皆为随机初始化的编码向量。
17.进一步地，在步骤2中，用表示用户-商品交互关系二部图，其中商品交互关系二部图，其中表示图的节点集，该节点集包含u中的所有用户以及c中的所有商品，并目.包含用户-商品交互关系二部图中边的集合，二部图中的用户-商品邻接矩阵为其中式中其中iu，分别表示用户和商品的单位度矩阵；假设每个节点都是自连接的，代表用户-商品交互矩阵，x
t
为x的转置矩阵，其中交互矩阵中元素为x的转置矩阵，其中交互矩阵中元素
18.进一步地，在步骤3中，用表示用户-捆绑包-商品全局结构图，其中表示图的节点集，该节点集包含u中的所有用户、b中的所有捆绑包以及c中的所有商品，并且包含用户-捆绑包-商品全局结构图中边的集合；三部图中的用户-捆绑包-商品邻接矩阵为其中式中其中iu，ib，，分别表示用户、捆绑包和商品的单位度矩阵；假设每个节点都是自连接的，分别代表用户-商品交互矩阵、用户-捆绑包交互矩阵和捆绑包-商品交互矩阵，x
t
，y
t
，z
t
为x，y，z的转置矩阵，其中交互矩阵中元素为x，y，z的转置矩阵，其中交互矩阵中元素
19.进一步地，在步骤6中，首先对局部角度获得的两个用户表征h
u1
和h
u2
进行对比学习，然后，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中和为投影后的用户表征，其中w1，为可训练的参数矩阵，为可训练的参数，σ表示relu非线性激活函数；对局部角度获得的两个捆绑包表征h
b1
和h
b2
进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中和为投影后的用户表征，其中w1，为可训练的参数矩阵，b1，为可训练的参数。
20.进一步地，在步骤7中，首先对局部角度获得的两个用户表征hu和进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：
式中和为投影后的用户表征，其中w1，为可训练的参数矩阵，b1，为可训练的参数，其中σ表示relu非线性激活函数；对局部角度获得的两个捆绑包表征hb和进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中和为投影后的捆绑宝表征，其中w1，为可训练的参数矩阵，为可训练的参数，其中
21.进一步地，在步骤2中，根据用户的行为历史，构建用户-捆绑包交互关系二部图；其中，ε
ub
表示用户-捆绑包交互关系二部图，其中表示图的节点集，该节点集包含u中的所有用户以及b中的所有捆绑包，并且ε
ub
∈包含用户-捆绑包交互图中边的集合；二部图中的用户-捆绑包邻接矩阵为其中式中其中iu,,分别表示用户和捆绑包的单位度矩阵，假设每个节点都是自连接的，捆绑包的单位度矩阵，假设每个节点都是自连接的，代表用户-商品交互矩阵，y
t
为y的转置矩阵，其中交互矩阵中元素为y的转置矩阵，其中交互矩阵中元素
22.进一步地，在步骤8中，针对局部增强层级模块，使用infonce损失作为优化目标，并设计了正负样本选择策略，分析步骤7中的局部用户对比损失公式：优化目标，并设计了正负样本选择策略，分析步骤7中的局部用户对比损失公式：对于正样本，只选择一个相同id的用户，对于负样本，选择k个未交互过的id，其中k的值为4；对于全局用户对比损失于负样本，选择k个未交互过的id，其中k的值为4；对于全局用户对比损失只选择一个相同id的用户作为正样本，选择k个未交互过的id作为负样本，其中k的值为4。
23.本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种跨层级图对比学习捆绑商品推荐方法的步骤。
24.本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种跨层级图对比学习捆绑商品推荐方法的步骤。
25.与现有技术相比，本发明的有益效果是：
26.本发明提出了一种跨层级图对比学习捆绑商品推荐方法，所述方法以多任务的方式挖掘用户对物品还有用户对捆绑包的偏好，从而精准的进行评分预测工作。由于组成项的复杂性，一个项目可能会出现在多个捆绑包中，导致捆绑包和捆绑包之间的相似度会偏高，不能获得一个具有个性化的捆绑包表征，本发明着重研究用户-捆绑包预测，并设计了bftc算法进一步精炼捆绑包的组成避免捆绑包中产生过多流行项目。
27.本发明所提出的一种跨层级图对比学习捆绑商品推荐方法，从局部层级和全局层
级两种角度去构建用户、项目和捆绑包之间的多种交互图。在此基础上，本发明设计了不同的图编码器以聚合邻居信息，得到用户、捆绑包和物品的嵌入。最终使用用户嵌入和捆绑包嵌入进行内积得到归一化分数，决定是否向该用户推荐捆绑包，并使用用户嵌入和物品嵌入进行内积操作，决定是否推荐物品。相较于其他的捆绑推荐，一是设计了两个层级，从不同的角度制定图增强策略。二是设计了四种关系图，可以充分融合捆绑推荐中用户、项目和捆绑包之间的关系，并设计了特定的图编码器，充分学习用户、项目和捆绑包的表征。三是设计了新颖的多视角对比学习策略，制定了正负样本选择策略。模型能够学习到没有出现在目标用户历史数据中的物品，进而提高推荐结果的多样性和准确性。
附图说明
28.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
29.图1为本发明的一种跨层级图对比学习捆绑商品推荐方法的整体示意图。
具体实施方式
30.下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.结合图1，本发明提出一种跨层级图对比学习捆绑商品推荐方法，所述方法包括如下步骤：
32.步骤1、获取商品交易数据集选取t％的数据作为训练数据，(1-t％)的数据作为测试数据，其中训练数据集包含用户对商品、用户对捆绑包的交互历史以及捆绑包组成关系；其中，t的取值为70；例如，在网易和优书平台获取商品交易数据集选取70％的数据作为训练数据，30％的数据作为测试数据；
33.步骤2、从局部角度考虑，根据用户的行为历史，构建用户-商品交互关系二部图；
34.步骤3、从全局角度考虑，构建一个用户-捆绑包-商品全局结构图；
35.步骤4、构建局部图编码器，用户-商品的聚合过程为商品的聚合过程为其中w
uc
为聚合器的训练参数矩阵，d
uc
为邻接矩阵a
uc
的度矩阵，用户-捆绑包的聚合过程为其中w
ub
为聚合器的训练参数矩阵，d
ub
为邻接矩阵a
ub
的度矩阵，捆绑包-商品的聚合过程为商品的聚合过程为其中w
bc
为
聚合器的训练参数矩阵，d
bc
为邻接矩阵a
bc
的度矩阵，
36.步骤5、构建全局图编码器，用户-捆绑包-商品的聚合过程为商品的聚合过程为其中a
global
为全局图的邻接矩阵，为全局图的邻接矩阵，d为邻接矩阵a
global
的度矩阵，
37.步骤6、学习用户与捆绑包的互补信息；
38.步骤7、学习全局的用户与捆绑包的互补信息；
39.步骤8、针对上述表征结果，设计对比损失；对于局部表征，用户对比损失函数为:式中ψ(.,.)＝exp(sim(.,.)/τ)，其中表示余弦相似度函数，τ表示温度系数；同样地，捆绑包对比损失函数为:对于全局表征，用户对比损失函数为:同样地，捆绑包的对比损失函数为：
40.步骤9、在训练层面，由于已经获得了用户和捆绑包的局部和全局的表征结果，分别为和式中分别为hb的特征向量。获得用户和捆绑包的局部和全局的表征结果后，通过对用户/捆绑包表征的连接操作，得到最终的用户/捆绑包表征；使用内积操作预测用户对捆绑包的得分，如下所示：其中其中
41.步骤10、使用贝叶斯个性化排名损失作为主要损失，具体为：步骤10、使用贝叶斯个性化排名损失作为主要损失，具体为：其中，o＝{(u,b,b')|(u,b)∈o
+
,(u,b')∈o-}是由可观察的交互o
+
和未观察到的o-组成的训练数据，σ是sigmod激活函数；最小化目标为组成的训练数据，σ是sigmod激活函数；最小化目标为式中式中θ为模型参数集，β和λ分别为控制对比损失和l2正则化项的两个超参数；从而得到最终推荐结果。
42.训练数据集中的用户集合为u，u＝{u1,u2,
…
,ui,
…
,ui}，i∈{1,
…
,n}，其中ui为第i个用户，n为用户的数量，商品集合为c，c＝{c1，c2，...，cj，...，cm}，j∈{1，...，m}，其中cj为第j个商品，m为商品的数量，捆绑包集合为b，b＝{b1，b2，...，bk，...，bo}，k∈{1，...，o}，其中vj为第j个捆绑包，o为捆绑包的数量；此外，第i个用户的初始化特征向量为hu为用户集合u的特征矩阵，其中第j个商品的初始化特征向量为hc为商品集合c的特征矩阵，其中为商品集合c的特征矩阵，其中第
k个捆绑包的初始化特征向量为hb为捆绑包集合b的特征矩阵，其中其中皆为随机初始化的编码向量。
43.在步骤2中，用表示用户-商品交互关系二部图，其中商品交互关系二部图，其中表示图的节点集，该节点集包含u中的所有用户以及c中的所有商品，并目.包含用户-商品交互关系二部图中边的集合，二部图中的用户-商品邻接矩阵为其中式中其中iu，分别表示用户和商品的单位度矩阵，其目的是为了避免忽略节点本身的特征；假设每个节点都是自连接的，代表用户-商品交互矩阵，x
t
为x的转置矩阵，其中交互矩阵中元素
44.在步骤2中，根据用户的行为历史，构建用户-捆绑包交互关系二部图；其中，捆绑包交互关系二部图；其中，ε
ub
表示用户-捆绑包交互关系二部图，其中表示图的节点集，该节点集包含u中的所有用户以及b中的所有捆绑包，并且包含用户-捆绑包交互图中边的集合；二部图中的用户-捆绑包邻接矩阵为其中式中其中iu，分别表示用户和捆绑包的单位度矩阵，其目的是为了避免忽略节点本身的特征，假设每个节点都是自连接的，代表用户-商品交互矩阵，y
t
为y的转置矩阵，其中交互矩阵中元素为y的转置矩阵，其中交互矩阵中元素
45.在步骤3中，用表示用户-捆绑包-商品全局结构图，其中商品全局结构图，其中表示图的节点集，该节点集包含u中的所有用户、b中的所有捆绑包以及c中的所有商品，并且包含用户-捆绑包-商品全局结构图中边的集合；三部图中的用户-捆绑包-商品邻接矩阵为其中式中其中iu，ib，，分别表示用户、捆绑包和商品的单位度矩阵，其目的是为了避免忽略节点本身的特征；假设每个节点都是自连接的，分别代表用户-商品交互矩阵、用户-捆绑包交互矩阵和捆绑包-商品交互矩阵，x
t
，y
t
，z
t
为x，y，z的转置矩阵，其中交互矩阵中元素
46.在步骤6中，首先对局部角度获得的两个用户表征h
u1
和h
u2
进行对比学习，然后，将
以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中和为投影后的用户表征，其中w1，为可训练的参数矩阵，b1，为可训练的参数，σ表示relu非线性激活函数；对局部角度获得的两个捆绑包表征h
b1
和h
b2
进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中和为投影后的用户表征，其中w1，为可训练的参数矩阵，b1，为可训练的参数。
47.在步骤7中，首先对局部角度获得的两个用户表征hu和进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中和为投影后的用户表征，其中w1，为可训练的参数矩阵，b1，为可训练的参数，其中σ表示relu非线性激活函数；对局部角度获得的两个捆绑包表征hb和进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：式中和为投影后的捆绑宝表征，其中w1，为可训练的参数矩阵，b1，为可训练的参数,其中
48.在步骤8中，针对局部增强层级模块，本发明使用经典的infonce损失作为优化目标，并设计了正负样本选择策略，分析步骤7中的局部用户对比损失公式：标，并设计了正负样本选择策略，分析步骤7中的局部用户对比损失公式：对于正样本，只选择一个相同id的用户，对于负样本，选择k个未交互过的id，其中k的值为4；对于全局用户对比损失本，选择k个未交互过的id，其中k的值为4；对于全局用户对比损失只选择一个相同id的用户作为正样本，选择k个未交互过的id作为负样本，其中k的值为4。
49.本发明所提出的一种跨层级图对比学习捆绑商品推荐方法，从局部层级和全局层级两种角度去构建用户、项目和捆绑包之间的多种交互图。在此基础上，本发明设计了不同的图编码器以聚合邻居信息，得到用户、捆绑包和物品的嵌入。最终使用用户嵌入和捆绑包嵌入进行内积得到归一化分数，决定是否向该用户推荐捆绑包，并使用用户嵌入和物品嵌入进行内积操作，决定是否推荐物品。相较于其他的捆绑推荐，一是设计了两个层级，从不同的角度制定图增强策略。二是设计了四种关系图，可以充分融合捆绑推荐中用户、项目和捆绑包之间的关系，并设计了特定的图编码器，充分学习用户、项目和捆绑包的表征。三是设计了新颖的多视角对比学习策略，制定了正负样本选择策略。模型能够学习到没有出现在目标用户历史数据中的物品，进而提高推荐结果的多样性和准确性。
50.本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种跨层级图对比学习捆绑商品推荐方法的
步骤。
51.本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种跨层级图对比学习捆绑商品推荐方法的步骤。
52.本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
53.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，dvd))、或者半导体介质(例如，固态硬盘(solid state disc，ssd))等。
54.在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本技术实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
55.应注意，本技术实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框
图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
56.以上对本发明所提出的一种跨层级图对比学习捆绑商品推荐方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种跨层级图对比学习捆绑商品推荐方法，其特征在于：所述方法包括如下步骤：步骤1、获取商品交易数据集选取t％的数据作为训练数据，(1-t％)的数据作为测试数据，其中训练数据集包含用户对商品、用户对捆绑包的交互历史以及捆绑包组成关系；步骤2、从局部角度考虑，根据用户的行为历史，构建用户-商品交互关系二部图；步骤3、从全局角度考虑，构建一个用户-捆绑包-商品全局结构图；步骤4、构建局部图编码器，用户-商品的聚合过程为商品的聚合过程为其中w
uc
为聚合器的训练参数矩阵，d
uc
为邻接矩阵a
uc
的度矩阵，用户-捆绑包的聚合过程为其中w
ub
为聚合器的训练参数矩阵，d
ub
为邻接矩阵a
ub
的度矩阵，捆绑包-商品的聚合过程为商品的聚合过程为其中w
bc
为聚合器的训练参数矩阵，d
bc
为邻接矩阵a
bc
的度矩阵，步骤5、构建全局图编码器，用户-捆绑包-商品的聚合过程为商品的聚合过程为其中a
golbal
为全局图的邻接矩阵，为全局图的邻接矩阵，d为邻接矩阵a
global
的度矩阵，步骤6、学习用户与捆绑包的互补信息；步骤7、学习全局的用户与捆绑包的互补信息；步骤8、针对上述表征结果，设计对比损失；对于局部表征，用户对比损失函数为:式中ψ(.,.)＝exp(sim(.,.)/τ)，其中表示余弦相似度函数，τ表示温度系数；捆绑包对比损失函数为:对于全局表征，用户对比损失函数为:捆绑包的对比损失函数为：捆绑包的对比损失函数为：步骤9、获得用户和捆绑包的局部和全局的表征结果后，通过对用户/捆绑包表征的连接操作，得到最终的用户/捆绑包表征；使用内积操作预测用户对捆绑包的得分，如下所示：其中步骤10、使用贝叶斯个性化排名损失作为主要损失，具体为：步骤10、使用贝叶斯个性化排名损失作为主要损失，具体为：
其中，o＝{(u,b,b')|(u,b)∈o
+
,(u,b')∈o-}是由可观察的交互o
+
和未观察到的o-组成的训练数据，σ是sigmod激活函数；最小化目标为训练数据，σ是sigmod激活函数；最小化目标为式中式中θ为模型参数集，β和λ分别为控制对比损失和l2正则化项的两个超参数；从而得到最终推荐结果。2.根据权利要求1所述的方法，其特征在于：训练数据集中的用户集合为u，u＝{u1,u2,
…
,u
i
,
…
,u
n
}，i∈{1,
…
,n}，其中u
i
为第i个用户，n为用户的数量，商品集合为c，c＝{c1,c2,
…
,c
j
,
…
,c
m
}，j∈{1,
…
,m}，其中c
j
为第j个商品，m为商品的数量，捆绑包集合为b，b＝{b1,b2,
…
,b
k
,
…
,b
o
}，k∈{1,
…
,o}，其中v
j
为第j个捆绑包，o为捆绑包的数量；此外，第i个用户的初始化特征向量为h
u
为用户集合u的特征矩阵，其中为用户集合u的特征矩阵，其中第j个商品的初始化特征向量为h
c
为商品集合c的特征矩阵，其中第k个捆绑包的初始化特征向量为h
b
为捆绑包集合b的特征矩阵，其中其中皆为随机初始化的编码向量。3.根据权利要求2所述的方法，其特征在于：在步骤2中，用表示用户-商品交互关系二部图，其中表示图的节点集，该节点集包含u中的所有用户以及c中的所有商品，并且包含用户-商品交互关系二部图中边的集合，二部图中的用户-商品邻接矩阵为其中式中其中i
u
,分别表示用户和商品的单位度矩阵；假设每个节点都是自连接的，代表用户-商品交互矩阵，x
t
为x的转置矩阵，其中交互矩阵中元素4.根据权利要求3所述的方法，其特征在于：在步骤3中，用表示用户-捆绑包-商品全局结构图，其中表示图的节点集，该节点集包含u中的所有用户、b中的所有捆绑包以及c中的所有商品，并且集包含u中的所有用户、b中的所有捆绑包以及c中的所有商品，并且包含用户-捆绑包-商品全局结构图中边的集合；三部图中的用户-捆绑包-商品邻接矩阵为其中式中式中其中分别表示用户、捆绑包和商品的单位度矩阵；假设每个节点都是自连接的，分别代
表用户-商品交互矩阵、用户-捆绑包交互矩阵和捆绑包-商品交互矩阵，x
t
，y
t
，z
t
为x，y，z的转置矩阵，其中交互矩阵中元素5.根据权利要求4所述的方法，其特征在于：在步骤6中，首先对局部角度获得的两个用户表征h
u1
和h
u2
进行对比学习，然后，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下:失的空间，过程如下:式中和为投影后的用户表征，其中为可训练的参数矩阵，为可训练的参数，σ表示relu非线性激活函数；对局部角度获得的两个捆绑包表征h
b1
和h
b2
进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下：下：式中和为投影后的用户表征，其中为可训练的参数矩阵，为可训练的参数。6.根据权利要求5所述的方法，其特征在于：在步骤7中，首先对局部角度获得的两个用户表征h
u
和进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下:损失的空间，过程如下:式中和为投影后的用户表征，其中为可训练的参数矩阵，为可训练的参数，其中σ表示relu非线性激活函数；对局部角度获得的两个捆绑包表征h
b
和进行对比学习，将以上所学的表征送入多层感知机，从而投射到计算对比损失的空间，过程如下:失的空间，过程如下:式中和为投影后的捆绑宝表征，其中为可训练的参数矩阵，为可训练的参数,其中7.根据权利要求1所述的方法，其特征在于：在步骤2中，根据用户的行为历史，构建用户-捆绑包交互关系二部图；其中，表示用户-捆绑包交互关系二部图，其中表示图的节点集，该节点集包含u中的所有用户以及b中的所有捆绑包，并且包含用户-捆绑包交互图中边的集合；二部图中的用户-捆绑包邻接矩阵为其中式中其中分别表示用户和捆绑包的单位度矩阵，假设每个节点都是自连接的，代表用户-商品交互矩阵，y
t
为y的转置矩阵，其中交互矩阵中元素为y的转置矩阵，其中交互矩阵中元素8.根据权利要求1所述的方法，其特征在于：在步骤8中，针对局部增强层级模块，使用infonce损失作为优化目标，并设计了正负样本选择策略，分析步骤7中的局部用户对比损
失公式：对于正样本，只选择一个相同id的用户，对于负样本，选择k个未交互过的id，其中k的值为4；对于全局用户对比损失只选择一个相同id的用户作为正样本，选择k个未交互过的id作为负样本，其中k的值为4。9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。

技术总结
本发明提出一种跨层级图对比学习捆绑商品推荐方法。所述方法从局部层级和全局层级两种角度去构建用户、项目和捆绑包之间的多种交互图。在此基础上，本发明设计了不同的图编码器以聚合邻居信息，得到用户、捆绑包和物品的嵌入。最终使用用户嵌入和捆绑包嵌入进行内积得到归一化分数，决定是否向该用户推荐捆绑包，并使用用户嵌入和物品嵌入进行内积操作，决定是否推荐物品。相较于其他的捆绑推荐，本发明所述推荐方法能够学习到没有出现在目标用户历史数据中的物品，进而提高推荐结果的多样性和准确性。样性和准确性。样性和准确性。


技术研发人员：王楠 孙家宝
受保护的技术使用者：黑龙江大学
技术研发日：2023.06.02
技术公布日：2023/8/21