基于图神经网络的购物行为预测方法、系统、存储介质及终端

技术领域

本发明涉及推荐系统领域，尤其涉及一种基于图神经网络的购物行为预测方法、系统、存储介质及终端。

背景技术

首先，早期的研究主要集中在传统的推荐系统方法，如协同过滤和内容过滤。这些方法在购物行为分析中忽视了用户和商品之间的复杂关系，无法充分挖掘潜在的用户兴趣和商品相关性。随后，随着图神经网络的兴起，研究者开始将其引入购物行为分析中。图神经网络提供了一种新的方法，可以更好地建模和分析用户和商品之间的关系网络。通过学习节点和边的表示，图神经网络可以捕捉图中的复杂关系和潜在模式，从而提高购物推荐的准确性和个性化程度。近年来，随着深度学习技术的快速发展，图神经网络在购物行为分析中得到了广泛应用。深度学习的优势在于它可以自动学习特征表示，并能够处理大规模和复杂的数据。利用深度学习训练的图神经网络模型，可以有效地学习用户和商品的表示，从而更好地理解和预测用户的购物行为。当前，研究者们正在进一步探索图神经网络在购物行为分析中的应用。他们不断改进模型结构和算法，引入注意力机制、图卷积等技术，以提高模型的性能和效率。同时，还将购物行为分析与其他领域的技术相结合，如自然语言处理、时序数据分析等，以实现更全面和准确的购物推荐。

综上所述，利用图神经网络分析购物行为的技术发展经历了从传统推荐系统到图神经网络的引入，并结合深度学习等技术的不断发展。这一技术的发展为购物推荐提供了更准确和个性化的解决方案，并有望在未来进一步推动购物行为分析领域的发展。

发明内容

本发明针对现有技术的不足，研制一种基于图神经网络的购物行为预测方法、系统、存储介质及终端，利用图神经网络对购物信息进行分析，便于经营者分析购物信息，更好的经营店铺。

本发明解决技术问题的技术方案为：一方面，本发明提供了一种基于图神经网络的购物行为预测方法。

基于图神经网络的购物行为预测方法，包括

S1.顾客图与商品图的构建：

对顾客和商品特点进行初始描述，并将顾客数据转变成三元向量的形式，对于生成的三元向量，以三元向量中的第一个元素和第三个元素为图结构中的节点，第二个元素则充当连接两个节点的边，通过节点和边的相连，分别构建起顾客图结构与商品图结构；

S2.图特征信息采集:

用图结构对顾客和商品的特征信息进行提取细节信息提取，发掘特征信息中的关键信息；

S3.顾客和商品信息聚合：

通过对更新完成的图结构进行聚合操作，然后预测顾客对商品的购买概率。

上述的一种基于图神经网络的购物行为预测方法基础上，S2.具体如下：

1)图结构中ab边的原始特征向量计算公式如下：

2)ab边接收的特征信息的公式如下：

3)将边ab在上一次循环中的得到的特征信息

4)在经过T次循环后，获得了边ab特征信息

上述的一种基于图神经网络的购物行为预测方法基础上，S3.具体如下：

1)利用顾客—商品关系矩阵W对顾客图结构G

2)聚合操作：

a.计算顾客关系分数与商品关系分数，公式如下：

c.计算最终的每个顾客与每个商品最终的表示向量L

3)计算顾客L对商品V的购买概率，具体公式如下：

V

另一方面，本发明提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于图神经网络的购物行为预测方法。

还有一方面，本发明还提供了一种终端，其特征是，包括：处理器及存储器；存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行基于图神经网络的购物行为预测方法。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案具有如下优点或有益效果：

本发明基于图神经网络的购物行为预测方法、系统、存储介质及终端顾客图与商品图的构建、图特征信息采集及顾客和商品信息聚合，可以分析预测顾客对商品的购买概率，可以更好地利用用户和商品之间的复杂关系，充分挖掘潜在的用户兴趣和商品相关性，从而为用户提供更准确、个性化的购物推荐体验。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明的图结构示意图；

图2为本发明的信息采集流程图；

图3为本发明的聚合操作流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例1

一种基于图神经网络的购物行为预测方法，包括

S1.顾客图与商品图的构建：

a.本文采用foodmart超市的公开信息数据集进行实验，采用python与Neo4j图谱库进行操作，本部分利用超市顾客信息构建用户图结构，本实施例中选取了顾客在7个方面的特征对顾客特点进行初始描述，这7个方面分别是：顾客居住城市规模，顾客年收入范围，顾客年龄范围，顾客学历水平，顾客年龄，顾客的月消费水平，顾客家庭人员数量；

b.将顾客数据转变成三元向量的形式，如顾客编号：1023，城市规模，二线城市，假设顾客数据具体有8000条，那么最终会获得56000个三元向量；

c.选取了商品的5个属性对商品特点进行初始描述，这6个方面分别是：商品价格范围，商品是否可二次销售，商品具体名称，商品类别，商品所属品牌；

d.对于商品数据同样转变成三元向量的形式，如商品编号：653，商品类别，体育用品，假设商品数据有900条，那么最终会获得4500个三元向量；

c.对于生成的三元向量，以三元向量中的第一个元素和第三个元素为图结构中的节点，第二个元素则充当连接两个节点的边，通过节点和边的相连，分别构建起如图1所示的顾客图结构与商品图结构；

S2.图特征信息采集:

用图结构对顾客和商品的特征信息进行提取细节信息提取，发掘特征信息中的关键信息，提高模型的判断能力，为了获取更丰富的特征信息并减少信息采集过程中的冗余信息，本部分采用单向循环传递图特征信息的采集方式；

S3.顾客和商品信息聚合：

通过对更新完成的图结构进行聚合操作，然后预测顾客对商品的购买概率。

参考图2，图2以边ab为例展示了顾客图与商品图的图信息采集过程，图2的上半部分为整体流程介绍，图2的下半部分是对三个模块的具体结构的介绍，以此详细说明S2具体如下：

1)图结构中ab边的原始特征向量计算公式如下：

2)以t+1次循环为例，边ab接收的特征信息是上一次循环中，与节点a相邻并且方向是指向节点a的边的特征信息，为了减少冗余信息，这些相邻节点，并不包括节点b，因此边ba的特征信息也不参与到传递当中，所以在图中，只有边ca和边ea参与了特征信息的传递，ab边接收的特征信息的公式如下：

3)将边ab在上一次循环中的得到的特征信息

4)在经过T次循环后，获得了边ab特征信息

整体流程如图3所示，S3.具体如下：

1)利用顾客—商品关系矩阵W对顾客图结构G

2)聚合操作：

a.计算顾客关系分数与商品关系分数，公式如下：

c.计算最终的每个顾客与每个商品最终的表示向量L

3)计算顾客L对商品V的购买概率，具体公式如下：

Y

实施例2

一种基于图神经网络的购物行为预测系统，系统包括：

构建模块，构建顾客图结构与商品图结构；

提取模块，用图结构对顾客和商品的特征信息进行细节信息提取；

聚合模块，通过对更新完成的图结构进行聚合操作。

实施例3

一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于图神经网络的购物行为预测方法。所述存储介质可以是非易失性的，也可以是易失性的。如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、闪存(FLASH)、硬盘或光盘等。

实施例4

一种终端，其特征是，包括：处理器及存储器；存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行基于图神经网络的购物行为预测方法。处理器可以是通用处理器，包括中央处理器、网络处理器等；还可以是数字信号处理器、专用集成电路、现场可编程门阵列(Field－ProgrammableGateArray，简称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。

上述虽然结合附图对发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。