[發(fā)明專利]一種基于規(guī)則學習網(wǎng)絡的商品推薦方法及推薦系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210129586.6
• 申請日: 2022-02-11
• 公開（公告）號: CN114565428A
• 公開（公告）日: 2022-05-31
• 發(fā)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

本發(fā)明公開了一種基于規(guī)則學習網(wǎng)絡的商品推薦方法，包括：選取推薦數(shù)據(jù)集，并對推薦數(shù)據(jù)集中的特征進行預處理；將預處理完成的特征進行分組，分別輸入三個規(guī)則模型塔中進行學習；每個規(guī)則模型塔分別輸出學習到的規(guī)則向量后，在網(wǎng)絡上層對三個規(guī)則模型塔輸出的規(guī)則向量進行拼接；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(wǎng)絡，將這個神經網(wǎng)絡的輸出作為拼接規(guī)則向量的權重，相乘后得到預測的點擊概率，最終得到用戶對該商品的預測評分和推薦理由。本發(fā)明解決了原本在規(guī)則學習網(wǎng)絡中無法使用embedding的問題，在完成對用戶推薦物品的同時還給出推薦理由，在模型層面具有可解釋性，解決了推薦領域中深度神經網(wǎng)絡的黑盒問題。

技術領域

本發(fā)明屬于推薦系統(tǒng)技術領域，涉及一種基于規(guī)則學習網(wǎng)絡的商品推薦方法及推薦系統(tǒng)，能夠基于規(guī)則學習網(wǎng)絡推薦用戶最感興趣的K件商品展示給用戶并給出推薦理由。

背景技術

近年來，依靠強大的數(shù)學建模能力和計算機算力的巨大提升，機器學習，特別是深度學習，成為決策系統(tǒng)的主要范式。決策系統(tǒng)也在金融、醫(yī)學、政治和法律等重要領域有著廣泛的應用。在推薦系統(tǒng)領域，深度學習的應用更為廣泛。在短時間內工業(yè)界就完成了從傳統(tǒng)的協(xié)同過濾、矩陣分解算法到基于深度學習的推薦模型的轉變。不論是在電商還是短視頻娛樂或是搜索的應用場景下，推薦都是其中至關重要的一環(huán)。電商廠家希望用戶在他們的平臺產生更多消費，短視頻或者內容生產平臺希望用戶在其應用中停留更多時間，從而產生廣告的收益，而不論是內容還是廣告對于用戶的呈現(xiàn)方式，依然離不開推薦。

然而對于基于深度神經網(wǎng)絡的推薦系統(tǒng)來說，仍然無法對產生的推薦結果進行解釋。

發(fā)明內容

為了解決現(xiàn)有技術存在的不足，本發(fā)明的目的是提供一種基于規(guī)則學習網(wǎng)絡的商品推薦方法及推薦系統(tǒng)，通過使用規(guī)則學習網(wǎng)絡推薦用戶最感興趣的K件商品并給出推薦理由。

本發(fā)明首先獲取用戶物品特征，對高維特征進行預處理，對連續(xù)特征離散化，離散特征one-hot化。

本發(fā)明將這部分預處理好的特征分為三部分，分別輸入三個規(guī)則模型塔中進行學習，三個規(guī)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；每個規(guī)則模型塔分別輸出學習到的規(guī)則向量后，在網(wǎng)絡上層對三塔輸出的規(guī)則向量進行拼接。

同時將用戶和物品id做嵌入后拼接，輸入兩層全連接層得到輸出，將這個神經網(wǎng)絡的輸出作為拼接規(guī)則向量的權重，所述規(guī)則向量權重與拼接規(guī)則向量相乘，最終得到用戶對該商品的預測點擊概率和推薦理由。本發(fā)明結合規(guī)則學習網(wǎng)絡并解決了原本在規(guī)則學習網(wǎng)絡中無法使用嵌入embedding的問題，在完成對用戶推薦物品的同時還給出推薦理由，在模型層面具有可解釋性，解決了推薦領域中深度神經網(wǎng)絡的黑盒問題。

本發(fā)明提出的規(guī)則學習推薦方法，包括以下步驟：

第一步，選取推薦數(shù)據(jù)集，并對推薦數(shù)據(jù)集中的特征數(shù)據(jù)進行預處理；

第二步，將預處理好的特征進行分組，分別將用戶側特征、物品側特征、用戶側特征加物品側特征輸入用戶塔、物品塔、用戶物品塔中；

第三步，將三個規(guī)則模型塔得到的輸出進行拼接得到新的規(guī)則向量，輸入一層規(guī)則層學習高維規(guī)則間交互；

第四步，將用戶、物品id通過嵌入拼接后得到的向量的經過兩層全連接層后得到輸出向量；

第五步，利用第四步得到的輸出向量作為規(guī)則層輸出拼接規(guī)則向量的權重，與拼接規(guī)則向量相乘后得到預測的點擊概率，并通過中序遍歷獲得推薦理由。

本發(fā)明中，所述推薦數(shù)據(jù)包括但不限于movielens、淘寶以及其他推薦數(shù)據(jù)集上的數(shù)據(jù)。