技术摘要：
本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法及系统。该方法包括：获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系数据；再输入至捆绑推荐模型中，得到捆绑推荐模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型通过  全部
背景技术：
捆绑推荐的定义为旨在推荐供用户整体消费的一组捆绑物品，捆绑的物品在电子 商务和内容平台上的盛行使捆绑推荐成为一项重要任务，不仅可以避免用户单调的选择来 改善用户的体验，而且还可以通过扩展订单大小来增加业务销售额。由于一个捆绑由多个 物品组成，因此捆绑的吸引力取决于捆绑内的物品，捆绑内每个物品的吸引力都受到捆绑 包中一起显示的其他物品的影响。此外，用户需要对捆绑中的大多数物品感到满意，这意味 着用户与捆绑之间的交互更为稀疏。 而尽管捆绑策略目前在各种地方都得到了广泛使用，但是在解决捆绑推荐问题方 面所做的工作很少。大多数现有工作都将物品推荐和捆绑推荐视为两个相对独立的任务， 并通过共享模型参数或多任务框架将它们关联起来。列表推荐模型(LIRE)和嵌入分解机 (EFM)在BPR框架下同时利用了用户与商品和捆绑商品的交互。捆绑BPR模型(BBPR)利用了 先前通过物品BPR模型学习的参数。深度注意力多任务模型(DAM)以多任务的方式联合建模 了用户-捆绑交互和用户-物品交互，将物品推荐任务的好处转移到捆绑推荐中，以减轻用 户-捆绑交互的稀缺性。 目前通常是采用如下几种方法： 方案一，首先确定多个物品中的每一物品配对的相应共选得分，共选得分指明物 品配对中两者都被用户选择的概率，基于共选得分确定多个物品之间的共选图。每个节点 都代表一个物品，每条边与共选得分相关联，将物品捆绑问题转化为最大完全N子图优化问 题。 方案二，通过用户当前感兴趣的物品所属类别或自身属性，计算其他物品与当前 物品的相似性，将最相似的物品作为当前物品的补充作为捆绑，此后逐个补充与捆绑内物 品相似的其他物品作为新的捆绑，将多个物品捆绑进行排名，从多个物品捆绑中选择一个 物品捆绑，以便推荐给用户。 不难发现，上述方案存在如下局限：(1)参数共享的方法没有显式地建模用户，物 品和捆绑之间的关系，并且多任务框架中损失层面上的结合很难平衡主要任务和辅助任务 之间的权重；(2)现有工作仅考虑捆绑中物品之间的相关性来学习更好的物品表示以增强 物品推荐任务。但是，捆绑作为推荐目标，它们之间的相似性更为重要却被忽略；(3)当用户 与交互捆绑时，其决策心理未曾被考虑。在物品层面，即使用户喜欢捆绑中的大多数物品， 但由于存在一个不喜欢的物品，用户可能会拒绝该捆绑。在捆绑层面，对于两个高度相似的 捆绑，影响用户最终选择的关键是它们的不重叠部分。 4 CN 111611472 A 说　明　书 2/13 页
技术实现要素：
本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法及系统，用以解决现 有技术中进行捆绑推荐时无法平衡用户、捆绑和物品之间的权重关系，对应的决策参考关 系不够全面，导致推荐结果不够准确和客观。 第一方面，本发明实施例提供一种基于图卷积神经网络的捆绑推荐方法，包括： 获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑与物品从属关系 数据； 将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据和所述捆绑与物 品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐模型输出的用 户-捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互数据集合、捆绑 与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物品层级图卷积传 播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于难负样本学习策 略训练所得到的。 优选地，所述捆绑推荐模型，通过以下步骤获得： 获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和所述用户与 物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和 所述用户与物品交互数据集合构建所述统一异构图； 基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆绑层级图卷积 传播特征； 将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行所有层的 嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达； 采用基于捆绑场景下的所述难负样本学习策略对所述联合预测表达进行训练，得 到所述捆绑推荐模型。 优选地，所述获取所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合 和所述用户与物品交互数据集合，基于所述用户与捆绑交互数据集合、所述捆绑与物品交 互数据集合和所述用户与物品交互数据集合构建所述统一异构图，具体包括： 获取若干用户信息、若干捆绑信息和若干物品信息，分别定义所述若干用户信息 与所述若干捆绑信息的交互数据为所述用户与捆绑交互数据集合、所述若干捆绑信息与所 述若干物品信息的从属关系为所述捆绑与物品交互数据集合以及所述若干用户信息与所 述若干物品信息的交互数据为所述用户与物品交互数据集合； 采用无向图表示所述用户与捆绑交互数据集合、所述捆绑与物品交互数据集合和 所述用户与物品交互数据集合；其中，所述无向图包括节点和边，所述节点包括用户节点、 捆绑节点和物品节点，所述边包括用户与捆绑交互边缘、用户与物品交互边缘和捆绑与物 品从属边缘； 对所述用户节点、所述捆绑节点和所述物品节点的输入采用独热编码进行编码， 并压缩为密集实值向量。 优选地，所述基于所述统一异构图，提取所述物品层级图卷积传播特征和所述捆 绑层级图卷积传播特征，具体包括： 基于所述密集实值向量构建用户和物品之间的嵌入传播，得到物品层级嵌入更新 5 CN 111611472 A 说　明　书 3/13 页 规则，由所述物品层级嵌入更新规则获得所述物品层级图卷积传播特征； 基于所述密集实值向量构建捆绑和用户之间的嵌入传播，得到捆绑层级嵌入更新 规则，由所述捆绑层级嵌入更新规则获得所述捆绑层级图卷积传播特征。 优选地，所述将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进 行所有层的嵌入连接，获得物品传播视角和捆绑传播视角的联合预测表达，具体包括： 将所述物品层级图卷积传播特征和所述捆绑层级图卷积传播特征进行若干次图 卷积传播，获得若干个用户嵌入向量和若干个捆绑嵌入向量； 将所述若干个用户嵌入向量和所述若干个捆绑嵌入向量的所有层按照预设运算 方式进行嵌入结合，得到所述联合预测表达。 优选地，所述采用基于捆绑场景下的难负样本学习策略对所述联合预测表达进行 训练，得到所述捆绑推荐模型，具体包括： 基于所述联合预测表达定义已观察用户捆绑交互数据和未观察用户捆绑交互数 据，基于所述已观察用户捆绑交互数据和所述未观察用户捆绑交互数据构建具有负采样的 成对训练数据； 以预设目标函数作为模型训练目标，以及预设概率引入所述成对训练数据，基于 所述难负样本学习策略进行训练，得到所述捆绑推荐模型。 优选地，所述捆绑推荐模型的训练还包括设置若干模型超参数。 第二方面，本发明实施例提供一种基于图卷积神经网络的捆绑推荐系统，包括： 获取模块，用于获取用户与捆绑历史交互数据、用户与物品历史交互数据和捆绑 与物品从属关系数据； 处理模块，用于将所述用户与捆绑历史交互数据、所述用户与物品历史交互数据 和所述捆绑与物品从属关系数据输入至预先训练好的捆绑推荐模型中，得到所述捆绑推荐 模型输出的用户与捆绑交互可能性推荐结果；其中所述捆绑推荐模型基于用户与捆绑交互 数据集合、捆绑与物品交互数据集合和用户与物品交互数据集合构建统一异构图，提取物 品层级图卷积传播特征和捆绑层级图卷积传播特征之后进行联合预测及特征连接，并基于 难负样本学习策略训练所得到的。 第三方面，本发明实施例提供一种电子设备，包括： 存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理 器执行所述程序时实现任一项所述基于图卷积神经网络的捆绑推荐方法的步骤。 第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算 机程序，该计算机程序被处理器执行时实现任一项所述基于图卷积神经网络的捆绑推荐方 法的步骤。 本发明实施例提供的基于图卷积神经网络的捆绑推荐方法及系统，通过将用户、 捆绑和物品之间的交互关系和从属关系重构为图，并利用图神经网络的强大能力从复杂的 拓扑结构和高阶连通性中学习三种关联实体的表示，能达到更好的推荐性能。 附图说明 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，下面描述中的附图是本发明 6 CN 111611472 A 说　明　书 4/13 页 的一些实施例，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 这些附图获得其他的附图。 图1为本发明实施例提供的一种基于图卷积神经网络的捆绑推荐方法流程图； 图2为本发明实施例提供的捆绑推荐系统流程图； 图3为本发明实施例提供的捆绑推荐问题定义示意图； 图4为本发明实施例提供的包含用户，物品和捆绑的统一异构图构建方式示意图； 图5为本发明实施例提供的基于物品层级图卷积传播的特征提取的过程示意图； 图6为本发明实施例提供的基于捆绑层级图卷积传播的特征提取的过程示意图； 图7为本发明实施例提供的捆绑推荐场景下高阶连通性示意图； 图8为本发明实施例提供的基于两种视角的联合预测过程示意图； 图9为本发明实施例提供的捆绑场景下的难负采样过程示意图； 图10为本发明实施例提供的捆绑推荐系统实施案例流程图； 图11为本发明实施例提供的一种基于图卷积神经网络的捆绑推荐系统结构图； 图12为本发明实施例提供的电子设备的结构框图。