一种基于图神经网络的商品销量预测方法及系统与流程

1.本发明涉及商品个性化预测技术领域，具体涉及一种基于图神经网络的商品销量预测方法及系统。


背景技术：

2.精准的商品销量预测能够合理地指导商家经营，提高商家的供货和生产效率，商品推荐预测是智能商业系统(business intelligence,bi)的核心模块之一。随着我国城市化进程的提速以及人工智能大数据技术的迅速发展，商业数据呈爆炸式增长，商业数据既能体现出社会的国民经济水平，又能反映出一个行业的状态，并且成为商业分析和预测的客观数据支撑。精确快速且高效的商品预测各大企业、政府部门及消费者投资者等具有重要意义。
3.商品销量预测是否准确关系到业务的进展和公司的战略，随着大数据时代的到来，用户和商品数据的急速增长，在大量的数据约束中能否正确进行市场分配是各大企业首要解决的问题。解决市场分配问题的前提是需要对商品销量进行准确的预测，然而现有技术此单纯的采用用户和商品关系进行建模，无法获取商店与约束条件之间的关系，通常存在一下问题：
4.1.现实场景中，用户和商品之间交互比较少，导致数据的稀疏，不能会进行准确的判断。
5.2.未考虑商店与商店之间的关系，商店与商店之间是竞争对手关系，导致数据不准确。
6.3.某个商店在某个区域比较受欢迎，硬性因素比较复杂，此时很难通过回归方式进行计算。
7.4.数据的质量不高，比如：数据缺失、有噪声、异常值等。
8.针对上述问题，现有技术存在对商品销量预测精度低的问题。


技术实现要素：

9.因此，本发明提供的一种基于图神经网络的商品销量预测方法及系统，克服了现有技术中对商品销量预测精度低的缺陷。
10.为达到上述目的，本发明提供如下技术方案：
11.第一方面，本发明实施例提供一种基于图神经网络的商品销量预测方法，所述方法包括：
12.构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；
13.将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。
14.可选地，所述预设的图卷积神经网络为门控循环单元和自回归模型融合的图卷积
神经网络。
15.可选地，所述构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边，包括：
16.获取用于构建所述二部图所需的商店节点和约束节点；
17.将商店节点和约束节点分别输入至两个相同的图卷积神经网络中，构建所述二部图所需要的商店图和约束图；
18.根据商店图和约束图，利用结点二部图算法，构建二部图。
19.可选地，商店图的构建包括：
20.获取各个商店节点的属性信息，商店节点的属性信息包括：商店的地理位置、销售规模、客户人群、销售品类和商品信息；
21.根据各个商店之间的属性信息，计算各个商店节点之间的相似度；
22.当各个商店节点之间的相似度数值在第一预设范围内时，商店节点之间存在相应的边，商店节点之间的边为商店之间的相似关系。
23.可选地，约束图的构建包括：
24.获取约束图中各个约束节点的属性信息，约束节点的属性信息包括外部影响因素；
25.根据约束图中各个约束节点属性信息的特征关系，计算约束图中各个约束节点之间的相似度，特征关系包括：约束节点的相关性、互斥性、优先性；
26.当约束图中各个约束节点之间的相似度数值在第二预设范围内时，约束节点之间存在相应的边，约束节点之间的边为约束节点之间的约束关系。
27.可选地，根据商店图和约束图，利用结点二部图算法，构建二部图包括：
28.将商店图和约束图的节点分别作为二部图的两个子集；
29.根据商店节点和约束节点之间的影响程度，利用结点二部图算法，计算二部图的边的权重；
30.当二部图的边的权重数值在第三预设范围内时，存在二部图的边，其中同子集中节点之间不存在二部图的边，二部图的边为商店节点和约束节点之间的约束关系，二部图的节点为商店节点和约束节点。
31.可选地，将所述二部图输入至预设的图卷积神经网络中进行时序特征提取的步骤，包括：
32.对二部图的节点进行多层卷积计算，生成每个节点的高维特征向量；
33.利用门控循环单元和自回归模型融合的图卷积神经网络，对高维特征向量进行时序特征提取，生成每个节点的时序特征向量；
34.根据每个节点的时序特征向量，预测每个商店节点对应的商品销量。
35.第二方面，本发明实施例提供一种基于图神经网络的商品销量预测系统，包括：
36.二部图构建模块，用于构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；
37.商品预测模块，用于将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。
38.第三方面，本发明实施例提供一种终端，包括：至少一个处理器，以及与所述至少
一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行本发明实施例第一方面所述的基于图神经网络的商品销量预测方法。
39.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的基于图神经网络的商品销量预测方法。
40.本发明技术方案，相比现有技术具有如下优点：
41.1.本发明提供的基于图神经网络的商品销量预测方法及系统，通过图卷积神经网络学习复杂的商店特征，同时将约束条件和商店相结合构造结点二部图，可以有效预测商品的销量。
42.2.本发明能够有效地捕捉商品之间以及商店之间存在的复杂关系，并将其融入到商品销量预测模型中，提高了预测准确性和鲁棒性。
43.3.本发明能够充分利用外部影响因素，并将其作为约束条件加入到二部图中，增强了商品销量预测模型对商品销量变化趋势和波动程度的敏感性。
44.4.本发明采用了图卷积神经网络作为基础模型，并结合了门控循环单元和自回归模型进行时序特征提取，充分挖掘了历史销售数据中蕴含的信息，并实现了端到端的训练和预测过程。
附图说明
45.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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的一些实施方式，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。
46.图1为本发明实施例提供的一种基于图神经网络的商品销量预测方法的一个具体示例的流程图；
47.图2为本发明实施例提供的一种基于图神经网络的商品销量预测系统的模块组成图；
48.图3为本发明实施例提供的一种终端一个具体示例的组成图。
具体实施方式
49.下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
51.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相
连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
52.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
53.实施例1
54.本发明实施例提供的一种基于图神经网络的商品销量预测方法，如图1所示，包括如下步骤：
55.步骤s1：构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边。
56.在本发明实施例中，构建以商店和约束条件作为节点的二部图，商店节点与约束节点的约束关系构成二部图的边。构建二部图的步骤包括：获取用于构建二部图所需的商店节点和约束节点，将商店节点和约束节点分别输入至两个相同的图卷积神经网络中，构建二部图所需要的商店图和约束图。根据商店图和约束图，利用结点二部图算法，构建二部图。
57.在本发明实施例中，商店图的构建包括：获取各个商店节点的属性信息，商店节点的属性信息包括：商店的地理位置、销售规模、客户人群、销售品类和商品信息，根据各个商店之间的属性信息，计算各个商店节点之间的相似度，当各个商店节点之间的相似度数值在第一预设范围内时，商店节点之间存在相应的边，商店节点之间的边为商店之间的相似关系。第一预设范围及属性信息在此不作限制，根据实际情况进行相应选取。
58.在一具体实施例中，将商店信息和商品信息作为节点属性赋予相应的节点，根据商店之间的地理位置、销售规模、客户人群、销售品类等商店信息及商品信息，计算商店节点之间的相似度，根据相似度的数值是否在第一预设范围内，确定商店节点之间是否存在边，若存在边，则赋予边相应的关系，得到商店图，其中节点表示商店，边表示商店之间的相似关系。
59.在本发明实施例中，约束图的构建包括：获取约束图中各个约束节点的属性信息，约束节点的属性信息包括外部影响因素，例如：外部因素包括天气影响、该商店在某一区域的受欢迎程度等等。根据约束图中各个约束节点属性信息的特征关系，计算约束图中各个约束节点之间的相似度，特征关系包括：约束节点的相关性、互斥性、优先性。当约束图中各个约束节点之间的相似度数值在第二预设范围内时，约束节点之间存在相应的边，约束节点之间的边为约束节点之间的约束关系。特征关系、第二预设范围在此不作限制，根据实际情况进行相应选取。
60.在一具体实施例中，将外部影响因素作为节点属性赋予相应的约束节点，根据外部影响因素之间的相关性、互斥性、优先性等信息，计算外部影响因素节点之间的相似度，根据相似度阈值，确定外部影响因素节点之间是否存在边，若存在边，则赋予边相应的关系，得到约束图，其中节点表示外部影响因素，边表示外部影响因素之间的约束关系。
61.在本发明实施例中，根据商店图和约束图，利用结点二部图算法，构建二部图包括：将商店图和约束图的节点分别作为二部图的两个子集；根据商店节点和约束节点之间
的影响程度，利用结点二部图算法，计算二部图的边的权重，当二部图的边的权重数值在第三预设范围内时，存在二部图的边，其中同子集中节点之间不存在二部图的边，二部图的边为商店节点和约束节点之间的约束关系，二部图的节点为商店节点和约束节点。第三预设范围在此不作限制，根据实际情况进行相应选取。
62.需要说明的是，商店节点的属性信息包括：商店的地理位置、销售规模、客户人群、销售品类和商品信息，如果两个商店距离相近，此时影响程度就会互相排斥，就会影响商店的营业额。影响程度在此不作限制，根据实际情况进行相应的选取。
63.步骤s2：将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。
64.在本发明实施例中，将二部图输入至预设的图卷积神经网络中进行时序特征提取的步骤，包括：对二部图的节点进行多层卷积计算，生成每个节点的高维特征向量，利用门控循环单元和自回归模型融合的图卷积神经网络，对高维特征向量进行时序特征提取，生成每个节点的时序特征向量，根据每个节点的时序特征向量，预测每个商店节点对应的商品销量。
65.本发明实施例中提供的基于图神经网络的商品销量预测方法，其中，方法包括：构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；将二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。本发明实施例通过图卷积神经网络学习复杂的商店特征，同时将约束条件和商店相结合构造结点二部图，可以有效预测商品的销量。
66.实施例2
67.本发明实施例提供一种基于图神经网络的商品销量预测系统，如图2所示，包括：
68.二部图构建模块1，用于构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；此模块执行实施例1中的步骤s1所描述的方法，在此不再赘述。
69.商品预测模块2，用于将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量；此模块执行实施例1中的步骤s2所描述的方法，在此不再赘述。
70.本发明实施例提供一种基于图神经网络的商品销量预测系统，通过二部图构建模块构建以商店和约束条件作为节点的二部图，利用商品预测模块将二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。本发明实施例通过图卷积神经网络学习复杂的商店特征，同时将约束条件和商店相结合构造结点二部图，可以有效预测商品的销量。
71.实施例3
72.本发明实施例提供一种终端，如图3所示，包括：至少一个处理器401，例如cpu(central processing unit，中央处理器)，至少一个通信接口403，存储器404，至少一个通信总线402。其中，通信总线402用于实现这些组件之间的连接通信。其中，通信接口403可以包括显示屏(display)、键盘(keyboard)，可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速ram存储器(random access memory，易挥发性随机存取存储器)，也可以是非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器
404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的基于图神经网络的商品销量预测方法。存储器404中存储一组程序代码，且处理器401调用存储器404中存储的程序代码，以用于执行实施例1中的基于图神经网络的商品销量预测方法。其中，通信总线402可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固降硬盘(英文：solid-state drive，缩写：ssd)；存储器404还可以包括上述种类的存储器的组合。其中，处理器401可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
73.其中，存储器404可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid-state drive，缩写：ssd)；存储器404还可以包括上述种类的存储器的组合。
74.其中，处理器401可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
75.其中，处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
76.可选地，存储器404还用于存储程序指令。处理器401可以调用程序指令，实现如本技术执行实施例1中的基于图神经网络的商品销量预测方法。
77.本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令可执行实施例1中的基于图神经网络的商品销量预测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
78.显然，上述实施例仅仅是为清楚的说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

技术特征：
1.一种基于图神经网络的商品销量预测方法，其特征在于，所述方法包括：构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。2.根据权利要求1所述的基于图神经网络的商品销量预测方法，其特征在于，所述预设的图卷积神经网络为门控循环单元和自回归模型融合的图卷积神经网络。3.根据权利要求1所述的基于图神经网络的商品销量预测方法，其特征在于，所述构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边，包括：获取用于构建所述二部图所需的商店节点和约束节点；将商店节点和约束节点分别输入至两个相同的图卷积神经网络中，构建所述二部图所需要的商店图和约束图；根据商店图和约束图，利用结点二部图算法，构建二部图。4.根据权利要求3所述的基于图神经网络的商品销量预测方法，其特征在于，商店图的构建包括：获取各个商店节点的属性信息，商店节点的属性信息包括：商店的地理位置、销售规模、客户人群、销售品类和商品信息；根据各个商店之间的属性信息，计算各个商店节点之间的相似度；当各个商店节点之间的相似度数值在第一预设范围内时，商店节点之间存在相应的边，商店节点之间的边为商店之间的相似关系。5.根据权利要求4所述的基于图神经网络的商品销量预测方法，其特征在于，约束图的构建包括：获取约束图中各个约束节点的属性信息，约束节点的属性信息包括外部影响因素；根据约束图中各个约束节点属性信息的特征关系，计算约束图中各个约束节点之间的相似度，特征关系包括：约束节点的相关性、互斥性、优先性；当约束图中各个约束节点之间的相似度数值在第二预设范围内时，约束节点之间存在相应的边，约束节点之间的边为约束节点之间的约束关系。6.根据权利要求5所述的基于图神经网络的商品销量预测方法，其特征在于，根据商店图和约束图，利用结点二部图算法，构建二部图包括：将商店图和约束图的节点分别作为二部图的两个子集；根据商店节点和约束节点之间的影响程度，利用结点二部图算法，计算二部图的边的权重；当二部图的边的权重数值在第三预设范围内时，存在二部图的边，其中同子集中节点之间不存在二部图的边，二部图的边为商店节点和约束节点之间的约束关系，二部图的节点为商店节点和约束节点。7.根据权利要求1所述的基于图神经网络的商品销量预测方法，其特征在于，将所述二部图输入至预设的图卷积神经网络中进行时序特征提取的步骤，包括：对二部图的节点进行多层卷积计算，生成每个节点的高维特征向量；
利用门控循环单元和自回归模型融合的图卷积神经网络，对高维特征向量进行时序特征提取，生成每个节点的时序特征向量；根据每个节点的时序特征向量，预测每个商店节点对应的商品销量。8.一种基于图神经网络的商品销量预测系统，其特征在于，包括：二部图构建模块，用于构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；商品预测模块，用于将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。9.一种终端，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7任一所述的基于图神经网络的商品销量预测方法。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有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一所述的基于图神经网络的商品销量预测方法。

技术总结
本发明公开了一种基于图神经网络的商品销量预测方法及系统，方法包括：构建以商店和约束条件作为节点的二部图，其中商店节点与约束节点的约束关系构成所述二部图的边；将所述二部图输入至预设的图卷积神经网络中进行时序特征提取，得到各个商店商品预测的销量。本发明通过图卷积神经网络学习复杂的商店特征，同时将约束条件和商店相结合构造结点二部图，可以有效预测商品的销量。可以有效预测商品的销量。可以有效预测商品的销量。


技术研发人员：张阳 赵维一 杜倩 熊冰 韦剑 倪杨 谢立华 何川
受保护的技术使用者：四川中烟工业有限责任公司
技术研发日：2023.06.15
技术公布日：2023/8/28