[發(fā)明專利]基于動態(tài)興趣組標(biāo)識和生成對抗網(wǎng)絡(luò)的電商推薦方法

有效

• 申請?zhí)枺?/td>: 202011249665.8
• 申請日: 2020-11-11
• 公開（公告）號: CN112231583B
• 公開（公告）日: 2022-06-28
• 發(fā)明（設(shè)計）人: 劉軍;肖云鵬;盧星宇;李暾;劉紅;李茜;肖敏;劉宴兵
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06Q30/06;G06K9/62;G06N3/08
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 王海軍

本發(fā)明涉及數(shù)據(jù)分析和推薦系統(tǒng)技術(shù)領(lǐng)域，具體涉及一種基于動態(tài)興趣組標(biāo)識和生成對抗網(wǎng)絡(luò)的電商推薦方法，包括：輸入用戶行為數(shù)據(jù)的評分特征，使用訓(xùn)練好的評分預(yù)測模型進行預(yù)測，評分預(yù)測模型輸出評分的預(yù)測值，根據(jù)評分的預(yù)測值生成推薦列表為用戶推薦項目。本發(fā)明利用生成對抗網(wǎng)絡(luò)補償數(shù)據(jù)，對補償后的數(shù)據(jù)標(biāo)識興趣組類別，解決了用戶無興趣偏好信息和興趣泛化問題，對用戶和商家都有重要的應(yīng)用價值。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)分析和推薦系統(tǒng)技術(shù)領(lǐng)域，具體涉及一種基于動態(tài)興趣組標(biāo)識和生成對抗網(wǎng)絡(luò)的電商推薦方法。

背景技術(shù)

隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，人們逐漸從信息匱乏的時代走入了信息過載(information overload)的時代。在這個時代，無論是信息消費者還是信息生產(chǎn)者都遇到了很大的挑戰(zhàn)：作為信息消費者，如何從大量信息中找到自己感興趣的信息是一件非常困難的事情；作為信息生產(chǎn)者，如何讓自己生產(chǎn)的信息脫穎而出，受到廣大用戶的關(guān)注，也是一件非常困難的事情。推薦系統(tǒng)就是解決這一矛盾的重要工具。推薦系統(tǒng)的任務(wù)就是聯(lián)系用戶和信息，一方面幫助用戶發(fā)現(xiàn)對自己有價值的信息，另一方面讓信息能夠展現(xiàn)在對它感興趣的用戶面前，從而實現(xiàn)信息消費者和信息生產(chǎn)者的雙贏。推薦系統(tǒng)的核心思想是通過分析用戶的歷史行為、個人信息等對用戶興趣建模，從而主動給用戶推薦滿足其興趣和需求的物品資源。推薦對物品消費者起著積極的作用，針對推薦系統(tǒng)的研究有助于用戶發(fā)現(xiàn)對自己有價值的物品，尤其是個性化推薦領(lǐng)域，越來越廣泛的受到研究者重視。

近年來，隨著互聯(lián)網(wǎng)的快速發(fā)展和普及，在線社交電商平臺已經(jīng)成為人們購物和出售物品的重要渠道，越來越多的人們選擇在社交電商平臺購買物品，享受著互聯(lián)網(wǎng)給人們帶來的便利。然而，由于社交電商平臺項目越來越多，用戶的可選擇性也隨之驟然增加，長尾項目隨之出現(xiàn)。為了讓用戶從眾多的項目中快速找到自己喜愛的項目，個性化推薦系統(tǒng)應(yīng)運而生，個性化推薦系統(tǒng)由個性化推薦算法的支撐，主要通過實時分析用戶的相關(guān)行為設(shè)計個性化的社交電商推薦算法實現(xiàn)不同用戶的喜好推薦的目的。個性化推薦系統(tǒng)對于電子商務(wù)平臺是不可或缺的重要部分。目前，推薦系統(tǒng)在電子商務(wù)(亞馬遜、阿里巴巴、eBay、Netflix等)、社交網(wǎng)絡(luò)(新浪微博、Facebook、Twitter、LinkedIn等)以及信息檢索、個性化廣告、基于位置的服務(wù)等領(lǐng)域取得了較大發(fā)展，個性化推薦系統(tǒng)在信息冗雜的互聯(lián)網(wǎng)時代占據(jù)著重要地位。

目前主流的個性化推薦系統(tǒng)可以分為四類：基于內(nèi)容的推薦、協(xié)同過濾推薦、基于知識的推薦和組合推薦。其中，協(xié)同過濾推薦算法是使用最廣泛的一種。通常情況下，協(xié)同過濾推薦基于用戶-項目二元關(guān)系構(gòu)建評分矩陣，根據(jù)設(shè)定的度量標(biāo)準(zhǔn)找到目標(biāo)的最近鄰，進而分析用戶間相似的偏好進行推薦。在此基礎(chǔ)上，協(xié)同過濾算法不斷演化，衍生出基于圖的協(xié)同過濾、空值填補以及推薦結(jié)果融等改進方法。傳統(tǒng)推薦系統(tǒng)中，大多基于協(xié)同過濾推薦算法。公開號為CN106649658A，專利名稱為“針對用戶角色無差異對待和數(shù)據(jù)稀疏的推薦系統(tǒng)及方法”公開了一種通過考慮用戶角色泛化的特殊性,將動態(tài)用戶角色標(biāo)識引入到模型中，提出一種基于張量分解評分預(yù)測模型。論文Qian X,Feng H,Zhao G,etal.Personalized recommendation combining user interest and social circle[J].IEEE transactions on knowledge and data engineering,2013,26(7):1763-1777提出了將個人興趣，人際利益相似度和人際影響力這三個社會因素融合為一個基于概率矩陣分解的統(tǒng)一個性化推薦模型。雖然眾多學(xué)者對推薦預(yù)測模型進行了大量的研究，并取得了相當(dāng)不錯的成果，但仍存在一些挑戰(zhàn)：

1.用戶有效評分數(shù)據(jù)稀疏性。用戶對項目的評分數(shù)據(jù)在眾多的項目中仍是顯得非常稀疏，這對預(yù)測推薦項目造成了很大的問題。

2.用戶興趣泛化性。雖然用戶興趣組有明確的標(biāo)識，但是沒有隨著時間的推移動態(tài)更換興趣組標(biāo)識，使得評分預(yù)測無偏好關(guān)系，造成推薦結(jié)果不準(zhǔn)確的問題。

3.特征空間的多維度復(fù)雜性。考慮到加入了用戶興趣組特征，如何轉(zhuǎn)換數(shù)據(jù)維度和壓縮數(shù)據(jù)面臨著困難。