[發明專利]一種基于規則學習網絡的商品推薦方法及推薦系統

在審

• 申請號: 202210129586.6
• 申請日: 2022-02-11
• 公開（公告）號: CN114565428A
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 張偉;嚴俊冰;王焯;王建勇
• 申請（專利權）人: 華東師范大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06N20/00;G06N3/04;G06N3/08
• 代理公司: 上海德禾翰通律師事務所 31319
• 代理人: 夏思秋

1.一種基于規則學習網絡的商品推薦方法，其特征在于，所述方法包括如下步驟：

步驟一、選取推薦數據集，并對所述推薦數據集中的特征數據進行預處理；

步驟二、將預處理完成的特征進行分組，分別輸入三個規則模型塔中進行學習，所述三個規則模型塔分別輸入：用戶側特征、物品側特征以及用戶側特征加物品側特征；

步驟三、每個規則模型塔分別輸出學習到的規則向量后，在網絡上層對三個規則模型塔輸出的規則向量進行拼接；

步驟四、將用戶和物品id做嵌入后拼接，輸入具有一個隱層的神經網絡，將這個神經網絡的輸出作為拼接規則向量的權重，所述規則向量權重與拼接規則向量相乘后得到預測的點擊概率，迭代訓練，最終得到系統對用戶對該商品的點擊概率預測和推薦理由。

2.根據權利要求1所述的商品推薦方法，其特征在于，步驟一中，所述預處理操作包括：

步驟1.1、從所述推薦數據集中獲取用戶物品特征，對高維特征進行預處理降維，將高維特征根據類別點擊次數進行劃分，在同一點擊次數范圍內的特征歸為同一類；

步驟1.2、對連續特征離散化，通過隨機選取的上下界，將連續型特征劃分為若干個隨機選取的上下界范圍內的離散特征；

步驟1.3、將所有的離散特征one-hot化，并拼接作為模型輸入。

3.根據權利要求2所述的商品推薦方法，其特征在于，步驟1.1中，所述高維特征是指商品類別，商品品牌；所述高維特征的類別包括極小眾商品類別、小眾商品類別、小眾品牌，其他不屬于這三個類別和品牌的商品，保持自己原有的類別和品牌信息；對于商品類別特征閾值設置：該商品類別點擊次數小于或等于100的為極小眾商品類別、該商品類別點擊次數小于或等于500且大于100的為小眾商品類別、該商品類別被點擊次數大于500時則保留原有類別信息；對于商品品牌特征閾值設置：該商品品牌被點擊次數小于或等于500的為小眾品牌、該商品品牌被點擊次數大于500則保留原有品牌信息；同時保證單個特征維度不超過200維。

4.根據權利要求2所述的商品推薦方法，其特征在于，步驟1.2中，所述連續特征是指具有連續值的信息，包括用戶年齡、商品價格、電影年份。

5.根據權利要求1所述的商品推薦方法，其特征在于，步驟二中，每個規則模型塔都有若干個規則層，每個規則層有“邏輯與”和“邏輯或”節點分別學習與、或規則；所述用戶側特征用于學習用戶特征交互，所述物品側用于學習物品特征交互，所述用戶側特征加物品側特征用于學習用戶和物品特征間的交互。

6.根據權利要求5所述的商品推薦方法，其特征在于，所述規則的學習方法如下：

(1)輸入為N*1向量，其中N為對連續特征離散化，離散特征one-hot化后的拼接長度；

(2)在前向傳播時，通過下述公式計算與節點和或節點的值：

與節點激活函數：

或節點激活函數：

其中，h表示當前層的所有節點，W_t為當前層的權重，h_j為當前層網絡的第j個節點值，W_tj為h_j對應的邊權，J為總節點數量，F_c(h,w)＝1-w(1-h)，F_d(h,w)＝h·w。

7.根據權利要求1所述的商品推薦方法，其特征在于，步驟三中，所述拼接形成的新的向量輸入下一層規則層學習三個規則模型塔輸出規則間的交互。