[发明专利]基于图神经网络的产品筛选方法、系统及设备

说明书

本发明实施例涉及商品智能化推荐技术领域，公开了基于图神经网络的产品筛选方法、系统及设备。本发明实施例先获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；将第一产品信息向量与第一用户信息向量输入至第一预设产品筛选模型，输出第一分值；基于第一分值确定对应的目标产品信息。明显地，本发明实施例可将产品信息向量转换为用户信息向量进行表征，还将根据用户信息向量转换为产品信息向量进行表征。然后，以转换后的信息向量进行分值确定。可见，该模型使用方式深入挖掘了交易信息中隐含的用户与商品之间的关联性，使得建模较为充分，自然也就提高了产品推荐的准确性，解决了推荐准确性较低的技术问题。

技术领域

本发明涉及商品智能化推荐技术领域，尤其涉及基于图神经网络的产品筛选方法、系统及设备。

背景技术

随着电子商务平台的不断发展，产生了海量的买家与商品间的交互信息。

其中，电子商务平台包括电子购物网站等。

其中，交互信息包括有购买行为，当然，还包括用户与商品之间的其他类型的交互信息，比如，点击行为、加入购物车行为、收藏行为及分享行为等。

如何最大化地使用上述的海量交互信息，并准确地为用户提供推荐服务已经成为了非常重要的问题。

目前，推荐模型有不区分多行为数据的推荐模型。

就不区分多行为数据的推荐模型而言，还可细分为传统建模方法和深度建模方法。

就传统建模方法而言，将利用协同过滤进行商品的推荐，而且，仅使用目标行为作为训练数据或者所有的行为在使用时不加区分。

具体地，可为给每个用户、商品分别分配一个待学习的表示向量，比如，将现有的交互信息表示成用户个数×商品个数的矩阵，接着，使用矩阵分解的方法得到每个用户、商品的表示向量，再利用得到的表示向量通过内积计算的方法得到用户、商品之间的预测值。

明显地，传统建模方法过于简单，表征能力较弱，并不能充分使用海量数据。

就深度建模方法而言，以神经协同过滤(NCF，Neural Collaborativ eFiltering)为代表的深度模型可将多层感知机或更加复杂的深度神经网络结构引入到了推荐系统中来，以对用户和商品的交互行为进行建模，同样，仅使用目标行为或者所有的行为在使用时不加区分。

明显地，深度建模方法在数据量较大时，一般可以学习到非常丰富的用户、行为表示信息，因而，能够取得不错的线下推荐效果。

但是，不论是传统建模方法还是没有特殊设计的深度建模方法，均未更加深入地挖掘交易信息以完成建模操作；同时，会产生信息丢失的问题。

所以，可认为，当前的推荐模型并未深入地挖掘交易信息以完成建模操作，从而导致搭建出的模型无法达到较高的推荐准确性。

发明内容

为了解决搭建出的模型推荐准确性较低的技术问题，本发明实施例提供基于图神经网络的产品筛选方法、系统及设备。

第一方面，本发明实施例提供一种基于图神经网络的产品筛选方法，包括：

获取当前产品对应的第一产品信息向量与当前用户对应的第一用户信息向量；

将所述第一产品信息向量与所述第一用户信息向量输入至第一预设产品筛选模型，得到所述第一预设产品筛选模型输出的第一分值；

基于所述第一分值确定与目标分值范围对应的目标产品信息，以显示所述目标产品信息；