[發明專利]一種面向用戶動態偏好的商品序列個性化推薦方法

有效

• 申請號: 201910763463.6
• 申請日: 2019-08-19
• 公開（公告）號: CN110458627B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 黃震華;湯庸;劉海;李丁丁;蔡立群;廖曉鵬
• 申請（專利權）人: 華南師范大學;廣東智信信息科技股份有限公司
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06F16/9535;G06F16/35;G06F18/2415;G06F18/2431;G06F18/23213;G06F18/25;G06V10/82;G06N3/0464;G06N3/047;G06N3/0455;G06N3/0442;G06N3/084
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林瑞云;彭東梅

1.一種面向用戶動態偏好的商品序列個性化推薦方法，其特征在于，包括如下步驟：

S10從用戶對商品的評分信息中獲取用戶個人信息、商品屬性信息、商品圖片、同一用戶對不同商品對應的評分、同一商品所受不同用戶的評分、同一用戶對各商品的評論文本、同一商品所受各用戶的評論文本；

S20根據同一商品所受不同用戶的評分構造用戶評分向量生成器，用以生成用戶評分向量；根據同一用戶對不同商品對應的評分構造商品評分向量生成器，用以生成商品評分向量；

S30將同一用戶對各商品的評論文本輸入用戶評分向量生成器生成用戶評論向量，對用戶評論向量進行均值聚類生成用戶評論類別；將同一商品所受各用戶的評論文本輸入商品評分向量生成器生成商品評論向量，對商品評論向量進行均值聚類生成商品評論類別；采用深度卷積網絡抽取商品的圖片特征向量，對圖片特征向量進行均值聚類生成圖片對應的商品類別；

S40將用戶個人信息與用戶評分向量輸入用戶特征抽取網絡進行聯合訓練得到用戶ID和用戶評論預測類型；將商品屬性信息與商品評分向量輸入商品特征抽取網絡進行聯合訓練，得到商品ID、商品評論預測類別、商品圖片預測類別；

S50以用戶特征向量及其歷史商品序列的特征向量輸入商品序列推薦網絡，經過其中的訓練編碼-解碼器訓練，生成以每個用戶ID對應的用戶特征向量，每個商品ID對應的商品特征向量，將其作為個性化推薦的商品序列，并結合搜索策略學習得到最優商品序列的推薦；

所述用戶評分向量生成器所使用的用戶的評分信息分為5個等組，所述用戶評分向量生成器的構造方法：

根據同一商品下的用戶評分信息進行分組為5組，分數相同的用戶在同一個組中，得到同一商品相同評分的用戶組成序列u₁,u₂,u₃,…u_x，x取50，表示每組選取50個用戶，將序列u₁,u₂,u₃,...,u_r,…u_x作為訓練樣本，以用戶u_r作為輸入，輸出預測序列中除用戶u_r外其他用戶的評分向量，使得其他用戶ID的概率乘積最大，若用戶總數W＝8000，用戶評分向量生成器的損失函數y₁為：

得到每個用戶的評分向量長度為200；

其中，u_n，j為第j組用戶序列中的第n個用戶，u_j為推薦系統中的第j個用戶；

n為用戶序列的當前用戶的位置編號，j為推薦系統中當前用戶的位置編號；

所述商品評分向量生成器的構造方法：

將同一個用戶相同評分的商品分為一組，每一組得到評分相同的商品序列i₁,i₂,i₃,…,i_g,...,i_j，j取20，表示每組選取20個商品，將商品序列i₁,i₂,i₃,…,i_g,...,i_j作為訓練樣本，以商品i_g作為輸入，輸出預測序列中除i_g外其他商品的評分向量，若商品總數R＝120000，采用最大似然估計方法得到商品評分向量生成器的損失函數y₂為：

得到每個商品的評分向量長度為200；

其中，i_n',j為商品序列中的第n'個商品，i_j'為推薦系統中的第j'個商品；

n'為商品序列的當前商品的位置編號，j'為推薦系統中當前商品的位置編號。