一种基于量子图卷积神经网络的商品共同购买预测方法与流程

所属的技术人员知道，本发明可以实现为系统、方法或计算机程序产品，因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

背景技术：

1、目前国内外电商平台正在如火如荼的发展，成千上万的人们都选择在网上购物，电子商务平台的发展已经全面融入我国生产生活各领域，成为提升人民生活品质和推动经济社会发展的重要力量。在网购的时候人们会在购买一件商品的时候会同时购买另一件商品，如此就形成了商品共同购买网络，对网络中商品的类别进行分类对电商平台有许多有益作用。目前对于非结构化数据，如：引文网络等主要是通过经典机器学习来处理比如图卷积神经网络。目前存在一些用于处理图像数据的量子图卷积神经网络，其将输入图数据的拓扑结构直接用量子电路表达；

2、现有的量子神经网络模型主要是处理欧式空间的结构化数据，而量子神经网络如何处理非欧式空间的数据，研究较少。目前的量子图卷积神经网络工作主要用于处理图像数据，它主要将输入图数据的拓扑结构直接用量子电路表达，且使用的是幅值编码的方式，进行幅值编码需要大量的量子门，很难适用于目前的nisq设备。且目前针对商品共同购买网络都是通过经典机器学习来处理，而量子图卷积神经网络对于商品共同购买网络的学习尚未涉及。

技术实现思路

1、本发明所要解决的技术问题是针对现有技术的不足，具体提供了一种基于量子图卷积神经网络的商品共同购买预测方法，具体如下：

2、1)第一方面，本发明提供一种基于量子图卷积神经网络的商品共同购买预测方法，具体技术方案如下：

3、s1、获取用于表征商品共同购买网络数据集中的多个节点之间连接关系的邻接矩阵，其中，将商品作为节点；

4、s2、根据商品共同购买网络数据集，得到度矩阵，使用度矩阵对邻接矩阵进行标准化；

5、s3、将标准化后的邻接矩阵作用在每个节点的特征矢量上，以聚合每个节点的邻近节点的信息，得到每个节点的第一特征矢量；

6、s4、将每个节点的第一特征矢量编码为量子态；

7、s5、利用量子神经网络对每个节点对应的量子态进行处理，以测量量子神经网络对应的量子系统的量子比特，获得每个节点的经典信息；

8、s6、将每个节点的经典信息作为相应节点的特征矢量，返回执行s3，直至符合结束条件；

9、s7、根据节点的类别数作为测量最后一个量子神经网络的量子比特数，获得的最新的经典信息即为商品共同购买网络数据集中的每个输入训练节点对应的不同类别数据，得到每个输入训练节点的输出结果与输入训练节点的真实标签的交叉熵损失函数，根据交叉熵损失函数，更新量子神经网络的参数以最小化交叉熵损失函数，直至交叉熵损失函数达到最小值为止，得到用于预测共同购买的商品的量子图卷积神经网络模型；

10、s8、利用量子图卷积神经网络模型预测共同购买的商品。

11、本发明提供的一种基于量子图卷积神经网络的商品共同购买预测方法的有益效果如下：

12、本发明中，完全采用量子神经网络对每个节点的集合图信息的量子态进行处理，且使用角度编码的方式能很好地适用于目前的nisq设备，能够充分利用目前的量子计算机。

13、在上述方案的基础上，本发明的一种基于量子图卷积神经网络的商品共同购买预测方法还可以做如下改进。

14、进一步，根据商品共同购买网络数据集，得到度矩阵，包括：根据商品共同购买网络数据集中的每个节点相连的边的图信息获得度矩阵。

15、进一步，将每个节点的第一特征矢量编码为量子态，包括：通过角度编码的方式，将每个节点的第一特征矢量编码为量子态。

16、进一步，结束条件为：节点的特征信息达到最远距离，或，每个节点聚合每个节点的邻近节点的阶数。

17、2)第二方面，本发明还提供一种基于量子图卷积神经网络的商品共同购买预测系统，具体技术方案如下：

18、包括数据预处理模块、节点特征矢量数据编码模块、训练模块和预测模块；

19、数据预处理模块用于：获取用于表征商品共同购买网络数据集中的多个节点之间连接关系的邻接矩阵，其中，将商品作为节点；根据商品共同购买网络数据集，得到度矩阵，使用度矩阵对邻接矩阵进行标准化；

20、节点特征矢量数据编码模块用于：将标准化后的邻接矩阵作用在每个节点的特征矢量上，以聚合每个节点的邻近节点的信息，得到每个节点的第一特征矢量；

21、训练模块用于：将每个节点的第一特征矢量编码为量子态；利用量子神经网络对每个节点对应的量子态进行处理，以测量量子神经网络对应的量子系统的量子比特，获得每个节点的经典信息；将每个节点的经典信息作为相应节点的特征矢量，重新调用节点特征矢量数据编码模块，直至符合结束条件；根据节点的类别数作为测量最后一个量子神经网络的量子比特数，获得的最新的经典信息即为商品共同购买网络数据集中的每个输入训练节点对应的不同类别数据，根据每个输入训练节点对应的不同类别数据，得到每个输入训练节点的输出结果与输入训练节点的真实标签的交叉熵损失函数，根据交叉熵损失函数，更新量子神经网络的参数以最小化交叉熵损失函数，直至交叉熵损失函数达到最小值为止，得到用于预测共同购买的商品的量子图卷积神经网络模型；

22、预测模块用于：利用量子图卷积神经网络模型预测共同购买的商品。

23、在上述方案的基础上，本发明的一种基于量子图卷积神经网络的商品共同购买预测系统还可以做如下改进。

24、进一步，数据预处理模块还具体用于：根据商品共同购买网络数据集中的每个节点相连的边的图信息获得度矩阵。

25、进一步，节点特征矢量数据编码模块还具体用于：通过角度编码的方式，将每个节点的第一特征矢量编码为量子态。

26、进一步，结束条件为：节点的特征信息达到最远距离，或，每个节点聚合每个节点的邻近节点的阶数。

27、3)第三方面，本发明还提供一种计算机设备，计算机设备包括处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机设备实现上述任一项基于量子图卷积神经网络的商品共同购买预测方法。

28、4)第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项基于量子图卷积神经网络的商品共同购买预测方法。

29、需要说明的是，本发明的第二方面至第四方面的技术方案及对应的可能的实现方式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，此处不再赘述。