(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 202211395023.8 (22)申请日 2022.11.09 (71)申请人 广州科拓科技有限公司 地址 510000 广东省广州市天河区冼村路5 号1508房 (72)发明人 郭志勇　 (74)专利代理 机构 广州智斧知识产权代理事务 所(普通合伙) 44649 专利代理师 杨银虎 (51)Int.Cl. G06Q 30/06(2012.01) G06N 5/02(2006.01) G06F 16/36(2019.01) G06F 16/9535(2019.01) (54)发明名称 基于知识图谱深度学习的电子商务推荐方 法及系统 (57)摘要 本发明实施例涉及电子商务技术领域， 公开 了一种基于知识 图谱深度学习的电子商务推荐 方法， 包括： 接收应用接口端传输的浏览信息； 将 浏览信息发送至预先构建完成的商品关系图谱 模型来进行实体关系抽取以得到顾客商品交互 矩阵； 将浏览信息、 顾客商品交互矩阵和商品关 系图谱模型传输至推荐算法模型来进行推荐识 别以确定相应顾客的商品推荐结果。 本发明实施 例推荐方法通过对知识 图谱和浏览日志进行深 度学习， 输出反映顾客浏览偏好的推荐结果； 应 用接口模块则接受上层应用的对推荐结果的检 索， 实现推荐应用的集成； 本实施例的推荐方法 能捕获顾 客对商品的偏好特征， 支持个性化商品 推荐， 提升顾客对电子商务平台的商品浏览效 率。 权利要求书3页 说明书16页 附图10页 CN 115439197 A 2022.12.06 CN 115439197 A 1.一种基于知识图谱深度学习的电子商务推荐方法， 其特 征在于， 包括： 接收应用接口端传输的浏览信 息， 所述浏 览信息为相应用户电子商务平台处的操作内 容， 其中， 所述浏览信息包括商品信息和浏览日志； 所述浏览日志包括浏览器ip地址信息； 并基于所述浏览器ip地址信息确定顾客信息； 将所述浏览信息发送至预先构建完成的商品关系图谱模型来进行实体关系抽取以得 到顾客商品交互矩阵； 在所述商品关系图谱模型中采用资源描述框架来对商品属性关系和 商品归属关系进行描述， 所述商品属 性关系被表述为商品编号、 属 性关系和属 性值编号的 三元组形式， 所述商品归属关系被表述 为商品编号、 归属于和店铺编号的三元组形式； 将所述浏 览信息、 顾客商 品交互矩阵和商品关系图谱模型传输至推荐算法模型来进行 推荐识别以确定相应顾客的商品推荐结果。 2.如权利要求1所述的基于知识图谱深度学习的电子商务推荐方法， 其特征在于， 在所 述接收应用接口端传输的浏览信息之后， 还 包括： 对所述浏览信息进行数据清洗操作以对浏览日志中的非商品浏览记录以及商品字段 缺失浏览记录进行过滤操作； 所述非商品浏览记录包括展会浏览信息、 店铺浏览信息和通 知浏览信息； 对经过过滤操作的浏 览信息进行有效性判断， 当对一顾客对同一商 品的浏览次数或者 浏览时间超过第一设定值时， 则确定该商品对顾客有效， 否则对相应的浏览信息进行 过滤。 3.如权利要求1所述的基于知识图谱深度学习的电子商务推荐方法， 其特征在于， 所述 商品关系图谱 模型通过如下步骤构建完成： 获取相应电子商务平台处的历史浏览信息； 从所述历史浏览信息中提取多个商品实体、 商品属性以及店铺实体， 并确定所述多个 商品实体之间、 商品实体与店铺实体之间以及商品实体与商品属性之间的关系； 基于多个商 品实体之间、 商品实体与店铺实体之间以及商 品实体与商品属性之间的关 系构建商品关系图谱 模型。 4.如权利要求3所述的基于知识图谱深度学习的电子商务推荐方法， 其特征在于， 在从 所述历史浏览信息中提取多个商品实体、 商品属性以及店铺实体之后， 还 包括： 从历史浏 览信息中基于顾客商 品的浏览关系以确定商 品之间的浏 览邻接关系； 所述浏 览邻接关系为在一个会话周期内若浏览多个商品， 则多个商品之间互为浏览邻接关系； 当互为浏览邻接关系次数达 到第二设定值时， 则确定该商品之间存在 浏览邻接关系。 5.如权利要求3所述的基于知识图谱深度学习的电子商务推荐方法， 其特征在于， 所述 商品关系图谱 模型还包括如下步骤： 若当前商 品推荐图谱构建过程不是首次商品关系图谱模型构建过程， 则将所述多个商 品实体和所述多个商品实体之间的关系融合至上一商品关系图谱模型中 以得到当前商品 关系图谱 模型的多个商品实体以及多个商品实体之间的关系。 6.如权利要求1所述的基于知识图谱深度学习的电子商务推荐方法， 其特征在于， 所述 推荐算法模型包括预测函数模型， 其中预测函数模型为： ， 其中， u为顾客信息， U为顾客矩阵， 且 U={u1,u2, …,um}， v为商品信息， V为商品矩阵， 且V={  v1,v2,…,vn }， 即函数f的参数权　利　要　求　书 1/3 页 2 CN 115439197 A 2集， 为u和v的浏览预测值； 所述推荐算法模型通过如下步骤构建得到： 通过随机初始化向量或者Trans嵌入表示算法对商品关系图谱模型中的实体和关系表 示为d维嵌入向量； 通过领域信息传播和聚合器来修正实体和关系的嵌入向量以得到最终领域表示vu； 其 中， 利用邻居信息的线性组合 来刻画商品的领域信息； 基于顾客信息u和最终领域表示vu定义浏览概率预测函数， 并通过交叉熵函数来进行模 型计算直至满足设定条件以完成推荐算法模型的构建， 所述交叉熵函数为： ， 其中， yi表示顾客商品交互矩阵Y 中(u,v)对实际的浏览 关系， 为预测的(u,v)对浏览概 率， u为顾客信息， v为商品信息 。 7.如权利要求6所述的基于知识图谱深度学习的电子商务推荐方法， 其特征在于， 所述 推荐算法模型为RippleNet推荐模型、 KGCN推荐模型、 KGAT推荐模型、 CKAN推荐模型中的任 意一种； 且各个 推荐模型均保存有相应的神经网络参数； 和/或， 所述聚合器为 求和聚合、 拼接聚合和邻居聚合中的任意 一种； 和/或， 所述推荐方法采用离线计算的方式来进行推荐操作， 根据 预先构建完成的知识 图谱和推荐算法模型进行后台计算， 一次性生成所有顾客的离线推荐列表， 并将结果存储 为文本文件； 和/或， 在所述推荐方法中商品关系图谱模型和推荐算法模型均部署于一GPU深度 学习 服务器中， 所述应用接口部署在一 Web服务器中。 8.一种基于知识图谱深度学习的电子商务推荐系统， 其特 征在于， 包括： 接收模块： 用于接收应用接口端传输的浏览信息， 所述浏览信息为相应用户电子商务 平台处的操作内容， 其中， 所述浏览信息包括商品信息和浏览日志； 所述浏览日志包括浏览 器ip地址信息； 并基于所述浏览器ip地址信息确定顾客信息； 实体抽取模块： 用于将所述浏 览信息发送至预先构建完成的商品关系图谱模型来进行 实体关系抽取以得到顾客商品交互矩阵； 在所述商品关系图谱模型采用资源描述框架来对 商品属性关系和商品归属关系进行描述， 所述商品属 性关系被表述为商品编号、 属 性关系 和属性值编号的三元组形式， 所述商品归属关系被表述为商品编号、 归属于和店铺编号的 三元组形式； 推荐模块： 用于将所述浏览信 息和顾客商品交互矩阵传输至推荐算法模型来进行推荐 识别以确定相应顾客的商品推荐结果。 9.一种电子设备， 其特征在于， 包括： 存储有可执行程序代码的存储器； 与所述存储器 耦合的处理器； 所述处理器调用所述存储器中存储的所述可执行程序代码， 用于执行权利 要求1至7任一项所述的基于知识图谱深度学习的电子商务推荐方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储计算机程 序， 其中， 所述计算机程序使得计算机执行权利要求1至7任一项所述的基于知识图谱深度权　利　要　求　书 2/3 页 3 CN 115439197 A 3