(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211232223.1 (22)申请日 2022.10.10 (71)申请人 浙商银行股份有限公司 地址 311200 浙江省杭州市萧 山区宁围街 道鸿宁路178 8号 申请人 易企银 （杭州） 科技有限公司 (72)发明人 陈嘉俊　杨国正　汪雷领　钟礼斌　 臧铖　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 刘静 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) G06N 3/08(2006.01)G06Q 30/06(2012.01) (54)发明名称 一种基于多视图自编码特征的商品推荐方 法及装置 (57)摘要 本发明公开了一种基于多视图自编码特征 的商品推荐方法及装置。 本发明将用户商品之间 的交互关系进行精确划分， 得到购买、 收藏、 浏览 三种视图下的交互关系， 可更精细化地分析用户 商品关系； 采用图卷积网络获取用户和商品节点 在不同视图下的特征嵌入表示， 通过增加L2范数 约束避免了不同视图特征过平滑问题； 采用多图 学习方法对不同视图下的关系进行联合学习， 构 造出多视图下的特征融合 嵌入表示， 并与不同视 图下的特征级联， 可使用户和商品的最终特征表 示既具有一致性又具有区分度， 更有利于计算和 预测用户和商品的推荐分数， 实现商品的推荐任 务。 权利要求书3页 说明书10页 附图3页 CN 115309997 A 2022.11.08 CN 115309997 A 1.一种基于多视图自编码特 征的商品推荐方法， 其特 征在于， 包括以下步骤： S1、 获取用户人信息、 商品信息以及用户对商品的购买、 收藏和浏览交 互信息； S2、 对用户信息和商品信息进行预处理， 构造用户特征集和商品特征集， 根据用户商品 交互信息分别获取购买关系图、 收藏关系图和浏览 关系图； S3、 构建用户特 征嵌入模型， 计算用户特 征集的特 征嵌入信息； S4、 构建商品特 征嵌入模型， 计算商品特 征集的特 征嵌入信息； S5、 利用用户特征嵌入模型和商品特 征嵌入模型构建商品推荐模型并训练； S6、 利用训练好的商品推荐模型 预测用户和商品之间的推荐分数， 实现商品推荐。 2.根据权利要求1所述的商品推荐方法， 其特征在于， 所述用户信息包括以下注册信 息： 年龄、 性别、 职 业注册信息； 所述商品信息包括以下属性信息： 名称、 类别、 价格、 品牌、 适 用人群。 3.根据权利要求1所述的商品推荐方法， 其特 征在于， 步骤S2具体包括以下子步骤： S21， 根据S1中获取的用户信息和商品信息， 利用特征工程方法构建用户特征集 U和商 品特征集 V，U和V满足二分图约束； 采用 表示U的用户特征， R表示实数集合， n表 示U中节点数量， u表示U中节点的特征维度， 采用 表示V的商品特征， m表示V中节 点数量，v表示V中节点的特 征维度； S22， 根据用户商品交互信息分别获取购买关系图 、 收藏关系图 和浏览关系图 ，G1、G2和G3采用无权图表示 不同视图下的用户商品关系。 4.根据权利要求3所述的商品推荐方法， 其特 征在于， 步骤S3具体包括以下子步骤： S31 ， 根据购买关系图 G1得到 用户因购买商品所产生的 潜在关系矩阵为 ， 根据收藏关系图 G2得到 用户因收藏所产生的 潜在关系矩阵 ， 根据浏览关 系图 G3得到 用户因浏览所产生的 潜在关系矩阵 ； S32， 利用两层图卷积网络自编码不同视图下的用户特 征： 其中， 表示用户在不同视图下的编码特征， 分别表示购买、 收藏、 浏览， ， 表示 的度矩阵， 和 表示特征转换时可学习 的权重参 数， 表示激活函数； S33， 利用多图学习方法得到用户在不同关系视图下的融合特 征 ： 其中， 表示 的正则化拉普拉斯矩阵， I表示单位矩阵， 表示特征转换时可学习权　利　要　求　书 1/3 页 2 CN 115309997 A 2的权重参数， 为可调节参数， 表示不同图之间的加权系数， 计算方式如下： 其中， 表示矩阵的迹； 和 两式迭代求解得到用户在三种不同视图下的融合特 征 ； S34， 对S32得到的不同视图下的用户特征和 S33得到的融合特征进行特征级联， 得到用 户的最终嵌入特 征 ， 其中， ||表示特征连接。 5.根据权利要求3所述的商品推荐方法， 其特 征在于， 步骤S4具体包括以下子步骤： S41， 根据购买关系图 G1得到商品因被购买所产生的潜在关系矩阵为 ， 根据收藏关系图 G2得到商品因被收藏所产生的潜在关系矩阵 ， 根据浏览关 系图G3得到商品因被浏览所产生的潜在关系矩阵 ； S42， 利用两层图卷积网络自编码不同视图下的商品特 征： 其中， 表示商品在不同视图下的编码特征， 分别表示购买、 收藏、 浏览，  ， 表示 的度矩阵， 和 表示特征转换时可学习的权重参 数， 表示激活函数； S43， 利用多图学习方法得到商品在不同关系视图下的融合特 征 ： 其中， 表示 的正则化拉普拉斯矩阵， 表示单位矩阵， 表示特征转换时可学习 的权重参数， 为可调节参数， 表示不同图之间的加权系数， 计算方式如下： 其中， 表示矩阵的迹； 和 两式迭代求解得到商品在三种不同视图下的融合特 征 ； S44， 对S42得到的不同视图下的商品特征和 S43得到的融合特征进行特征级联， 得到商 品的最终嵌入特 征 ， 其中， ||表示特征连接。 6.根据权利要求3所述的商品推荐方法， 其特征在于， 步骤S5中， 根据通过用户特征嵌 入模型得到的用户嵌入特征 以及根据商品特征嵌入模型得到的商品嵌入特征 ， 得到 用户商品推荐分数矩阵 ， 其中 表示sigmoid激活函数， 为权　利　要　求　书 2/3 页 3 CN 115309997 A 3