[發明專利]基于交互特征的產品推薦方法及系統

在審

• 申請號: 202210750616.5
• 申請日: 2022-06-28
• 公開（公告）號: CN115309975A
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 吳揚紅
• 申請（專利權）人: 中銀金融科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 劉亞平

本發明提供一種基于交互特征的產品推薦方法及系統，涉及人工智能技術領域，該方法包括：將目標輸入實例中用戶特征輸入推薦模型中的第一自注意力模塊，提取用戶特征的內部交互特征；將目標輸入實例中產品特征輸入推薦模型中的第二自注意力模塊，提取產品特征的內部交互特征；將用戶特征和產品特征拼接的第一特征矩陣，輸入推薦模型中的第三自注意力模塊，提取用戶特征和產品特征之間的交互特征；將根據用戶特征的內部交互特征、產品特征的內部交互特征，以及用戶特征和產品特征之間的交互特征確定的輸入信息輸入推薦模型中的預測模塊，預測目標用戶對候選產品的偏好信息，以對目標用戶執行產品推薦操作。本發明實現自動精準地進行產品推薦。

技術領域

本發明涉及人工智能技術領域，尤其涉及一種基于交互特征的產品推薦方法及系統。

背景技術

隨著互聯網時代到來，已逐步進入信息爆炸的時代。如何將海量的信息推薦給合適的對象，是企業面臨的重大難題。同時，對于個體而言，如何從龐大的互聯網數據中選擇自己需要的信息，也是用戶面臨的問題。在這樣的背景下，推薦系統得以迅速發展。

現有技術中，推薦系統的主要目標是根據用戶與產品的歷史交互信息來學習用戶的興趣偏好，最終根據用戶的興趣個性化推薦產品。但推薦系統始終面臨著數據稀疏和冷啟動問題，通過引入用戶的特征和產品的特征能在一定程度上緩解上述問題，而特征之間往往不是獨立的，特征之間的相互關系往往影響著推薦性能。通過手工構建所有有意義的組合是難以實現的，找到有意義的高階組合特征很大程度上依賴于領域專家，且會花費大量的人力資源，導致推薦成本高和精度差。因此，如何自動捕獲有效的特征間關系，以實現為用戶進行精準地產品推薦是目前業界亟待解決的重要課題。

隨時神經網絡的方法的興起，許多基于深度神經網絡的方法被提出用來建模高階特征交互，以實現產品推薦，如注意力因式分解機模型和神經因式分解機等。但是，由于當基于用戶特征和產品特征交互來執行聯合決策時，用戶特征和產品特征在推薦中的角色不同，而上述模型在學習高階特征交互特征中均同等的對待用戶特征和產品特征，使得用戶特征和產品特征在推薦中的角色一致，提取的交互信息不全面，難以捕獲到精準的推薦結果。

發明內容

本發明提供一種基于交互特征的產品推薦方法及系統，用以解決現有技術中在學習高階特征交互特征中均同等的對待用戶特征和產品特征，導致推薦結果精度低的缺陷，實現自動精準地進行產品推薦。

本發明提供一種基于交互特征的產品推薦方法，包括：

從目標輸入實例中，獲取目標用戶的用戶特征和候選產品的產品特征；

將所述用戶特征輸入推薦模型中的第一自注意力模塊，提取所述用戶特征的內部交互特征；所述用戶特征的內部交互特征包括所述用戶特征內部的各子特征之間的交互特征；

將所述產品特征輸入所述推薦模型中的第二自注意力模塊，提取所述產品特征的內部交互特征；所述產品特征的內部交互特征包括所述產品特征內部的各子特征之間的交互特征；

將所述用戶特征和所述產品特征拼接形成的第一特征矩陣，輸入所述推薦模型中的第三自注意力模塊，提取所述用戶特征和所述產品特征之間的交互特征；

根據所述用戶特征的內部交互特征、所述產品特征的內部交互特征，以及所述用戶特征和所述產品特征之間的交互特征，確定所述推薦模型中的預測模塊的第一輸入信息，將所述第一輸入信息輸入所述預測模塊，預測所述目標用戶對所述候選產品的偏好信息，并根據所述偏好信息，對所述目標用戶執行產品推薦操作；

其中，所述推薦模型是，基于樣本輸入實例和所述樣本輸入實例中樣本用戶對應的產品選擇記錄進行訓練得到的。

根據本發明提供的一種基于交互特征的產品推薦方法，所述根據所述用戶特征的內部交互特征、所述產品特征的內部交互特征，以及所述用戶特征和所述產品特征之間的交互特征，確定所述推薦模型中的預測模塊的第一輸入信息，包括：