[發(fā)明專利]一種護膚品推薦方法

有效

• 申請?zhí)枺?/td>: 202011208230.9
• 申請日: 2020-11-03
• 公開（公告）號: CN112508636B
• 公開（公告）日: 2023-01-24
• 發(fā)明（設計）人: 馮興東;李曉光;葛曄恒;劉龍澤
• 申請（專利權）人: 上海財經大學;上海洪樸信息科技有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/33;G06F16/36;G06F16/9535;G06F16/9536
• 代理公司: 上海伯瑞杰知識產權代理有限公司 31227
• 代理人: 孟旭彤

1.一種護膚品推薦方法，其特征在于，包括:

查詢用戶的個人信息和過往購買記錄，獲得關于該用戶膚質的信息；

通過推薦模型做出針對所述用戶的護膚品的搭配推薦；其中又包括，

通過客服詢問，獲得關于所述用戶的訴求和膚質禁忌，

補全用戶此次的肌膚問題訴求、過敏成分或者成分偏好、膚質測試問卷調查數(shù)據(jù)，

將與此用戶綁定的所有數(shù)據(jù)庫數(shù)據(jù)，都輸入到所述推薦模型中進行護膚產品的搭配推薦，

進一步給出，基于水+乳+面霜復合護膚類別的護膚方案推薦，

所述的護膚方案推薦中包括，各類別不同產品與用戶的匹配得分、功效成分、使用方法及用量、不同平臺產品的鏈接及比價信息，

所述推薦模型包括，

基于歷史的購買信息與評分信息構建深度協(xié)同過濾模型，該模型基于歷史數(shù)據(jù)，分別通過學習得到用戶與產品的表示向量；

使用知識圖譜得到位于護膚品知識圖譜中各個實體，包括：用戶、成分、功效、產品、禁忌、需求的表示向量以及各實體相互間的關系；

在得到用戶與產品的表示向量后，在所述推薦模型中部署一個嵌入卷積層，同時考慮在知識圖譜與協(xié)同過濾模型中，不同的消費者與產品之間的距離，輸出新的表示向量，同時根據(jù)表示向量計算消費者偏好的成分、功效、產品信息，

在護膚品知識圖譜構建中，主體包括：用戶、成分、品牌、功效、適用年齡，

所述推薦模型中知識圖譜的嵌入方法包括：

S101，將圖嵌入到連續(xù)低維空間；

S102，對知識圖譜的實體關系進行學習；

S103，根據(jù)實際業(yè)務設計多任務模型，

所述S101，將知識圖譜嵌入到連續(xù)低維空間步驟包括，

知識圖譜將語義關系以圖的形式進行存儲，將非連續(xù)的圖中的實體與關系嵌入到歐式空間中的有限維向量中；

采用DeepWalk基于隨機游走的圖表示方法，對圖中的每一個實體，通過執(zhí)行M次長度有限的隨機游走，使用這N*M次隨機游走的路徑向量來作為圖對象的一個原始表示，通過word2vec來學習得到實體的低維稠密表示，

所述S101，知識圖譜將語義關系的三元組(h,r,t)以圖的形式進行存儲，將非連續(xù)的圖中的實體與關系嵌入到歐式空間中的高維向量中，并將這個向量作為輸入進入S102，

所述S102，對知識圖譜的實體關系進行學習步驟包括，以S101中的DeepWalk得到的向量作為輸入，通過TransR模型，學習得到實體向量、關系向量與對應各類關系的映射矩陣，

所述S103，根據(jù)實際業(yè)務設計多任務模型步驟包括，計算用戶最合適的產品、最急需的成分和禁忌成分，

其中，采用Partially Absorbing Random Walk mechanism來生成隨機游走路徑，

在TransR模型中，對每一個關系r，構造一個關系映射矩陣M_r，對于關系r，關于實體的表示為：

h_r＝hM_r，t_r＝tM_r

若期望具有這一關系r的實體h和t，在對應M_r的向量空間中有較近的距離，也即較小的

同時，不具有這一關系的實體之間距離較大，選擇最小化目標函數(shù)為：

L＝∑_{(h，r，t)∈S}∑_{(h*，r，t*)∈S*′}max(0，f_r(h，t)+γ-f_r(h*，t*))

其中，S是所有的現(xiàn)有關系的集合，S*是人為構造的虛假關系的集合。