[發(fā)明專利]一種基于人工智能的商品推薦的方法有效
| 申請?zhí)枺?/td> | 202110977160.1 | 申請日： | 2021-08-24 |
| 公開（公告）號： | CN113781160B | 公開（公告）日： | 2023-02-03 |
| 發(fā)明（設計）人： | 張陽 | 申請（專利權）人： | 福建金塑寶科技有限公司 |
| 主分類號： | G06Q30/06 | 分類號： | G06Q30/06 |
| 代理公司： | 深圳市洪荒之力專利代理有限公司 44541 | 代理人： | 劉真 |
| 地址： | 361000 福建省廈*** | 國省代碼： | 福建;35 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 人工智能 商品 推薦 方法 | ||
1.一種基于人工智能的商品推薦的方法，其特征在于，包括：
智能客服系統(tǒng)獲取用戶對話文本信息，并整理成長文本；
基于GPT2模型將所述長文本進行摘要提取；
基于所述提取出的摘要信息，對所述用戶進行用戶畫像預測；
基于所述用戶畫像及所述用戶購買商品的歷史行為，通過環(huán)形圖注意力網(wǎng)絡模型將所述用戶與擬推薦商品進行匹配，獲取所述擬推薦商品匹配得分PMS；
若所述PMS超過預設閾值，則向所述用戶推薦所述擬推薦商品；
其中，所述基于GPT2模型將所述長文本進行摘要提取，包括：
設置GPT2模型，所述GPT2模型為多層單向傳輸?shù)慕獯a語言模型；
對所述長文本進行摘要抽取，抽取出第一摘要信息；
將所述第一摘要信息和所述長文本進行處理，形成詞嵌入和單詞token位置信息；
將所述詞嵌入和單詞token位置信息作為所述GPT2模型的輸入層進行輸入，獲取輸出單向transformer輸出向量；
將所述單向transformer輸出向量通過softmax分類器進行分類，輸出詞的概率分布；
基于所述詞的概率分布，生成第二摘要信息。
2.根據(jù)權利要求1所述的方法，其特征在于，所述將所述詞嵌入和單詞token位置信息作為所述GPT2模型的輸入層進行輸入，獲取輸出單向transformer輸出向量，包括：
設置所述GPT2模型包括n層解碼器tranformer，n為正整數(shù);
第一層tranformer定義為h0：
其中是上下文的文本詞匯，k是文本上下文窗口的大小，是詞嵌入矩陣，是位置嵌入矩陣；
第i層tranformer定義為hi：
hi=transformer(hi-1)，0=i=n;
則第n層transformer輸出的向量為最終的所述輸出單向transformer輸出向量。
3.根據(jù)權利要求1所述的方法，其特征在于，所述對所述長文本進行摘要抽取，抽取出第一摘要信息，包括：
加載BERT模型；
調用BERT編碼接口，將所述長文本中的文本信息轉換為詞向量，形成詞向量集合；
對所述詞向量集合進行k-means聚類，從聚類結果中，選取最接近簇心的詞向量作為所述第一摘要信息。
4.根據(jù)權利要求3所述的方法，其特征在于，所述對所述詞向量進行k-means聚類，包括：
隨機選取k個聚類中心作為簇心；
計算所述詞向量集合中所有點到所述k個簇心的歐式距離；
根據(jù)上述歐式距離，形成以所述k個簇心為中心的k個簇群；
在所述k個簇群中重新計算簇心，并根據(jù)重新計算出的簇心，更新所述簇群，直到完成迭代。
5.根據(jù)權利要求1所述的方法，其特征在于，在所述通過環(huán)形圖注意力網(wǎng)絡模型將所述用戶與擬推薦商品進行匹配之前，所述方法還包括：
訓練矩陣分類模型，并將所述用戶畫像和用戶購買商品的歷史行為輸入至所述矩陣分類模型中，以獲取所述用戶的興趣點向量和支付能力向量，其中，所述訓練矩陣分類模型，包括：
基于所述用戶畫像，形成用戶興趣點矩陣POI；
基于所述用戶購買商品的歷史行為，形成用戶支付能力矩陣PA；
計算所述用戶x對擬推薦商品y的預測值Fx,y：
Fx,y=POIxT*PAy；
使用最小化目標函數(shù)來學習POI和PA，選擇隨機梯度下降作為優(yōu)化器，達到收斂條件，獲取訓練好的矩陣分解模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于福建金塑寶科技有限公司，未經福建金塑寶科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110977160.1/1.html，轉載請聲明來源鉆瓜專利網(wǎng)。
