[發明專利]一種基于多特征融合的個性化電商推薦方法

有效

• 申請號: 201911112063.5
• 申請日: 2019-11-14
• 公開（公告）號: CN110930219B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 秦志光;劉珂瑄;秦臻
• 申請（專利權）人: 電子科技大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 韋海英

本發明公開了一種基于多特征融合的個性化電商推薦方法，該方法包括采集用戶信息和商品信息形成數據集，構建并訓練基于多特征融合的電商推薦模型，利用訓練后的模型進行個性化電商推薦。本發明在訓練過程中首先將數據輸入到帶有注意力機制的長短期記憶網絡進行處理，并且在最后全連接層結合商品其余顯性特征等一同得出最終的推薦結果，能夠充分利用數據集的數據特征，解決了過去推薦系統結果不夠準確的問題；并且在數據集較少的情況下，使用數據增強的方式也能得到較為準確的結果。

技術領域

本發明屬于電商推薦技術領域，具體涉及一種基于多特征融合的個性化電商推薦方法。

背景技術

隨著網上購物的不斷興起，通過算法來給予用戶相關的推薦是電商售賣系統的核心技術。 推薦系統是給予消費者消費推薦的一個系統。鑒于網絡上的可用信息的爆炸式增長，消費者 在日常生活中可能會面對無數受歡迎的產品、電影或者餐款。因此，個性化的推薦是給予消 費者更好的用戶體驗的基本策略。現在的推薦系統在各種信息訪問系統中發揮著至關重要的 作用，以促進用戶的決策過程。正是如此，推薦系統在諸多電子商務或媒體網站等領域普遍 存在。通常，推薦是基于用戶首選項、物品特性、用戶過去交互歷史和其他一些額外信息生 成的，比如時間和空間數據。

在推薦系統領域，傳統的推薦方法主要包括協同過濾、基于內容的推薦方法和混合推薦 方法。其中，最經典的算法是協同過濾，如矩陣因子分解，其利用用戶與物品之間的交互信 息為用戶產生推薦，協同過濾是目前應用最為廣泛的推薦算法，但是同時也遭遇到了嚴重的 數據稀疏(一個用戶評分過的物品僅僅占總物品數量的極少部分)和冷啟動(新的用戶和新的物 品往往沒有評分數據)問題。此外，經典的協同過濾方法采用淺層模型無法學習到用戶和物品 的深層次特征。

近些年來，深度學習在計算機視覺、自然語言處理等諸多領域都取得了相當顯著的發展。 學術界和產業界一直在競相將深度學習應用于更廣泛的應用領域，因為它能夠解決許多復雜 的任務，同時提供一流的成果。近年來，深度學習使推薦體系結構發生了巨大的變革，為提 高推薦系統的性能提供了更好的方法。基于深度學習的推薦系統克服了傳統推薦模式的障礙， 取得了更高的推薦質量，因此受到了廣泛的關注。深度學習能夠有效地捕獲非線性和非瑣碎 的用戶項關系，并能夠將更復雜的抽象編碼為更高層次的數據表示。此外，它可以從豐富的 可訪問數據源(如上下文、文本和視覺信息)中捕獲數據本身內部的復雜關系。

但目前一些已有的一些深度學習方面的推薦系統方法往往只用全連接網絡或者其組合變 體來實現特征的組合，其推薦效果在上難以達到廣泛使用的標準，因為其結構的特性忽略了 很多細節信息。

發明內容

針對現有技術中的上述不足，本發明提供了一種基于多特征融合的個性化電商推薦方法， 通過在長短期記憶網絡的基礎上加入注意力機制，使得每層網絡能感知更多商品與用戶之間 的關聯信息，從而獲得更為準確的推薦信息。

為了達到上述發明目的，本發明采用的技術方案為：

一種基于多特征融合的個性化電商推薦方法，包括以下步驟：

S1、采集用戶的歷史購買序列信息和商品信息，形成數據集；

S2、對步驟S1采集的數據集進行預處理；

S3、根據用戶顯性特征和用戶隱性特征構建基于多特征融合的電商推薦模型，并利用步 驟S2預處理后的數據進行模型訓練；

S4、利用步驟S3訓練后的基于多特征融合的電商推薦模型根據用戶的購買序列信息進行 推薦，得到最優的推薦商品信息。

進一步地，所述步驟S2對步驟S1采集的數據集進行預處理具體包括以下分步驟：

S21、將步驟S1采集的數據集中的數據格式化為用戶、商品類別、商品序列、評分序列 的形式；

S22、從數據集中隨機選取用戶未選擇的商品作為負樣本，設置正負樣本比例為1：1。