[發明專利]推薦方法及裝置

在審

• 申請號: 201611081633.5
• 申請日: 2016-11-30
• 公開（公告）號: CN106779921A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 陳文峰
• 申請（專利權）人: 廣州市萬表科技股份有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/02;G06F17/30
• 代理公司: 廣州一銳專利代理有限公司44369
• 代理人: 李新梅

技術領域

本發明涉及大數據領域，特別是涉及一種推薦方法及裝置。

背景技術

隨著電子商務的發展，越來越多的人利用電子商務平臺進行商品的購買，在購買過程中，電子商務平臺通常會對用戶進行推薦，以提高用戶的購買體驗。目前的推薦算法主要有基于人口統計學的推薦、基于內容的推薦、協同過濾推薦等，其中，協同過濾算法有基于領域的方法（基于記憶的方法）、隱語義模型、基于圖的隨機游走算法等。

當用戶數和商品數達到一定數目時，目前的推薦算法都會有嚴重的可擴展性問題，推薦的實效性較差，且推薦算法通常只基于用戶瀏覽行為進行推薦，推薦所基于的數據單一，推薦的準確性較差。如何避免推薦算法的可擴展性問題，提高推薦的實效性及準確性，是目前提高用戶購買體驗亟待解決的問題之一。

發明內容

本發明主要解決的技術問題是提供一種推薦方法及裝置，可解決協同過濾算法擴展性差的問題，提高推薦的實效性和準確性。

為解決上述技術問題，本發明提供一種推薦方法，包括以下步驟：獲取用戶信息，用戶信息包括瀏覽記錄和聊天記錄；提取用戶信息中的商品信息；將商品信息通過預先訓練的循環神經網絡的處理形成商品評分；計算商品評分與商品評分庫里的商品評分的相似度；根據相似度進行商品推薦。

其中，商品信息包括以下一種或多種：商品購買信息、商品收藏信息、商品分享信息、商品評論信息。

其中，預先訓練的循環神經網絡是以商品信息為輸入、商品評分為輸出的循環神經網絡。

其中，商品評分庫是將用戶信息中的商品信息通過預先訓練的循環神經網絡的處理形成的商品評分庫。

其中，商品推薦為手表信息的推薦。

為解決上述技術問題，本發明提供一種推薦裝置，包括：獲取模塊，用于獲取用戶信息，用戶信息包括瀏覽記錄和聊天記錄；提取模塊，用于提取用戶信息中的商品信息；處理模塊，用于將商品信息通過預先訓練的循環神經網絡的處理形成商品評分；計算模塊，用于計算商品評分與商品評分庫里的商品評分的相似度；推薦模塊，用于根據相似度進行商品推薦。

其中，商品信息包括以下一種或多種：商品購買信息、商品收藏信息、商品分享信息、商品評論信息。

其中，預先訓練的循環神經網絡是以商品信息為輸入、商品評分為輸出的循環神經網絡。

其中，商品評分庫是將用戶信息中的商品信息通過預先訓練的循環神經網絡的處理形成的商品評分庫。

其中，商品推薦為手表信息的推薦。

本發明的有益效果是：區別于現有技術的情況，本發明的推薦方法的具體過程為：首先獲取用戶信息，該用戶信息包括瀏覽記錄和聊天記錄，并提取該用戶信息中的商品信息，然后將提取的商品信息通過預先訓練的循環神經網絡的處理形成商品評分，計算該商品評分與商品評分庫里的商品評分的相似度，最后根據相似度進行商品推薦。其中，相似度的計算和商品推薦采用基于商品的協同過濾算法。通過上述方式，循環神經網絡和協同過濾算法相結合，可解決協同過濾算法擴展性差的問題，提高推薦的實效性，且對于循環神經網絡，對其權值進行人工適當調節，可進一步提高推薦的實效性。在推薦過程中，基于的用戶信息包括瀏覽記錄和聊天記錄，大量的數據可提高推薦的準確性。

附圖說明

圖1是本發明推薦方法一實施例的流程示意圖；

圖2是本發明推薦裝置一實施例的結構示意圖。

具體實施方式

下面結合附圖和實施例對本發明進行詳細說明。

請參閱圖1，圖1是本發明推薦方法一實施例的流程示意圖，如圖1所示，包括以下步驟：

S11，獲取用戶信息，用戶信息包括瀏覽記錄和聊天記錄。

本實施例方法由商品交易平臺實現，當用戶使用該平臺時，對用戶進行商品推薦。在推薦過程中，首先獲取用戶的信息，用戶信息為用戶在互聯網上的信息，如瀏覽記錄、聊天記錄等。

S12，提取用戶信息中的商品信息。

對于用戶信息，需提取其中的商品信息，其中，商品信息包括以下一種或多種：商品購買信息、商品收藏信息、商品分享信息、商品評論信息。對于商品信息，還可以包括其他內容，這里不進行限定。

S13，將商品信息通過預先訓練的循環神經網絡的處理形成商品評分。

深度學習（Deep Learning）是機器學習中一個非常接近人工智能的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡。而神經網絡是對人腦神經工作的一種簡化生物模型，模擬人腦對神經元之間的聯系和強度的調節過程。