[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

本發明公開一種面向用戶動態偏好的商品序列個性化推薦的方法，包括提取同一用戶相似評分下的商品序列構造出商品評分向量，同時提取同一商品相似評分的用戶序列得到用戶評分向量，然后結合用戶個人信息、商品基本屬性信息、用戶和物品評論以及商品圖片，基于多任務學習來分別實現用戶和商品的特征抽取，以用戶特征向量及其歷史商品序列的特征向量作為輸入，通過訓練編碼?解碼器來實現商品序列的生成，并結合搜索策略精確學習最優商品序列的推薦。本發明基于多模態的用戶?商品數據，高度提取及融合用戶特征和商品特征，實現面向用戶偏好的商品序列的個性化推薦，提高用戶體驗。

技術領域

本發明涉及智能商業領域，特別涉及一種面向用戶動態偏好的商品序列個性化推薦方法。

背景技術

隨著大數據時代的到來，大量用戶每時每刻都在產生大量的信息，這些信息項非常龐大，如何有效的從龐大的數據中提取有效特征進行推薦是需要亟待解決的一個問題。在推薦領域中不同用戶之間的信息偏好是不同的，但是相似的用戶和商品之間又存在一定的相關性。如何在大數據背景下，提出一種高效合理的個性化推薦方法是非常值得研究的熱點。

現有的推薦算法往往利用用戶和商品之間的關系矩陣，并結合二者之間的其他特征進行推薦，雖然可以對推薦結果提供一定的參考，但是這些推薦系統存在如下缺點：它們對于大數據量的用戶和物品信息處理效率較低，而且容易忽略用戶的動態歷史偏好以及用戶對歷史商品的評價，不能夠對以往推薦結果進行很好的反饋；其次，傳統的推薦系統模型簡單，用戶特征單一，采用概率統計方法進行評價，存在一定的局限性，推薦時間長，誤差較大；傳統的推薦系統沒有結合商品的圖片特征，任務單一，無法定性地對用戶的歷史評論以及商品的圖片進行分析，進而無法對推薦特征進行有效的評估；最后，傳統的推薦算法里面忽視了用戶評分相同的商品序列以及商品對應的用戶序列之間的序列信息，而且對推薦結果沒有進行合理的排序和融合，導致整體推薦效果較差。

發明內容

本發明的主要目的是提出一種面向用戶動態偏好的商品序列個性化推薦方法，旨在克服以上問題。

為實現上述目的，本發明提出的一種面向用戶動態偏好的商品序列個性化推薦方法，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。

優選地，所述S30包括：