[发明专利]基于异质社交关系的商品推荐方法、装置和电子设备

说明书

本发明提供一种基于异质社交关系的商品推荐方法、装置和电子设备，包括：确定待推荐商品的用户；将用户输入推荐模型，输出所有商品的推荐度；推荐模型是基于样本用户、对应的购买商品标签以及存在社交关系的用户标签进行训练得到的，所述推荐模型训练时的网络结构包括异质社交关系表示超图卷积网络、商品向量表示超图卷积网络、关系向量表示超图卷积网络、用户嵌入表示超图卷积网络和商品用户推荐度计算网络，异质社交关系表示超图卷积网络用于将输入的样本用户结合样本用户存在社交关系的用户标签组成的两用户一商品超边三元组采用向量进行表示；基于推荐度，确定为所述用户推荐的商品。本发明提供的方法提高了商品推荐的有效性。

技术领域

本发明涉及电子商务用户行为分析技术领域，尤其涉及一种基于异质社交关系的商品推荐方法、装置和电子设备。

背景技术

作为一种有效的缓解信息过载的手段，推荐系统已经在很多的现实场景中得到了广泛的应用。随着现代社交网络的快速发展，怎样更好利用用户在社交网络中产生的交互数据，已经成为了一个非常重要的问题。众多基于社交网络的推荐系统已经在过去数年间快速地被发展起来。

目前使用机器学习的社交推荐系统，在利用用户社交交互信息的方面有多种不同的思路。一些现有模型使用正则化(Regularization)方法或者多任务学习(Multi-taskLearning)使得建立社交关系的用户在嵌入空间(Embedding Space)中的距离尽可能的小。另一些已有的工作则提出了共享隐式向量表示的方法来使朋友之间的嵌入尽可能的平滑。

尽管以上提到的社交推荐系统方法引入了社交关系，来提升推荐系统和缓解数据稀疏的问题。然而这些方法都拥有共同的缺陷，那就是忽略了一个重要的事实，即用户和他的朋友们并不是单一维度的相似与否，而是用户和其朋友在不同的商品上有着不同的影响力或行为共性。例如，一个用户也许会和他的同班同学喜欢相同的书，而和他的家人对食物有相同的偏好。换句话说，社交关系实际上对用户的行为具有非同质化(Inhomogeneous)的影响。

随着社交网络和电商平台的深度融合，如果想要更好的刻画用户的隐式喜好的话，这样的非同质化影响就必须要纳入考虑的范围。例如，在社交化电商平台中，一种新的社交交互正在变得越来越常见，图1为现有技术提供的分享行为示意图，如图1所示，当用户与朋友共享商品时，所分享的商品就可以一定程度上反映他们之间细粒度的共同兴趣(fine-grained common interests)。另一个例子是团购行为，图2为现有技术提供的团购行为示意图，如图2所示，即两个(或更多)用户发起一个团购，并一起购买特定的商品。考虑到人们会与不同的朋友购买不同的商品，例如与网球伙伴一起购买球拍，与同事一起购买笔记本电脑，不均匀效应在这里起着重要作用。

这些新型的电商交互行为给研究非同质化的社会效应对用户行为的提供了宝贵的机会。实际上，不难将上述例子统一概括为“用户-用户-项目”的三元关系。然而，现有的推荐系统从未对“用户-用户-项目”三元关系进行过系统的研究。直接将非同质化的社交关系简化为同质的，或者简单地用标量权重来表示强度，都不能很好地对非同质化的社会关系进行建模。

然而现有的相关工作存在以下几点局限：1、对于用户之间的关系建模是同质化的，而如前所述，用户之间的社交关系很可能是非同质化的，即除了用户之间关系的紧密程度外，不同关系的用户之间在不同商品上的偏好有不同的相似模式；2、只能处理二值化的社交关系矩阵，即两个用户之间只存在两种状态，即是好友或者不是好友，但是显然对于现实中的社交电商，丰富的交互数据如社交分享和团购行为，都不是简单的二值化矩阵所能描述的，这限制了以上专利的应用场景；3、模型的可拓展性是前述方法的重大缺陷，由于前面的模型大多是端到端的模型，他们对于社交交互数据的建模往往是不足的，不能对下游任务，如关系预测、多关系分类有所帮助。

因此，如何避免现有的基于社交数据的商品推荐方法中由于只搜集同质化信息而忽略非同质化关系对商品推荐的影响造成的商品推荐有效性低的情况，仍然是本领域技术人员亟待解决的问题。

发明内容