[發明專利]一種基于深度學習的相似性產品推薦模型構建方法

在審

• 申請號: 202310217147.5
• 申請日: 2023-03-08
• 公開（公告）號: CN116188114A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 劉欣宇;李宇;宋可
• 申請（專利權）人: 山西晉中理工學院
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06F18/214;G06N3/0442;G06N3/0464;G06N3/09
• 代理公司: 北京鑫瑞森知識產權代理有限公司 11961
• 代理人: 王前明

1.一種基于深度學習的相似性產品推薦模型構建方法，其特征在于，包括：

根據商品信息和用戶點擊流信息構建數據集；

構建所述數據集中各個樣本間的關聯關系，以擴充數據標簽，得到擴充后的結構化數據；

對所述結構化數據進行數據預處理，得到預處理數據；

對所述預處理數據進行劃分，得到訓練集、驗證集和測試集；

基于雙向GRU構建深度神經網絡；

分別根據所述訓練集、所述驗證集和所述測試集對所述深度神經網絡進行訓練、驗證和評價，以得到最終的相似性產品推薦模型。

2.根據權利要求1所述的基于深度學習的相似性產品推薦模型構建方法，其特征在于，所述根據商品信息和用戶點擊流信息構建數據集，包括：

從電子商務網站目錄數據中提取商品信息，得到原始文本數據；所述商品信息包括產品ID、產品標題和描述；

根據用戶在所述原始文本數據中對于產品之間的比較信號確定所述用戶點擊流信息；

根據所述用戶點擊流信息創建數據集。

3.根據權利要求1所述的基于深度學習的相似性產品推薦模型構建方法，其特征在于，構建所述數據集中各個樣本間的關聯關系，以擴充數據標簽，得到擴充后的結構化數據，包括：

根據所述樣本中共同比較的產品對構建連通圖；

根據所述連通圖中的每個產品創建對應的陽性樣本和陰性樣本；

根據所述陽性樣本和所述陰性樣本確定所述結構化數據。

4.根據權利要求1所述的基于深度學習的相似性產品推薦模型構建方法，其特征在于，對所述結構化數據進行數據預處理，得到預處理數據，包括：

對所述結構化數據進行數據清洗、數據填補、歸一化處理和離散化處理，得到所述預處理數據。

5.根據權利要求1所述的基于深度學習的相似性產品推薦模型構建方法，其特征在于，對所述預處理數據進行劃分，得到訓練集、驗證集和測試集，包括：

以7：2：1的比例對所述預處理數據進行劃分，得到所述訓練集、所述驗證集與所述測試集。

6.根據權利要求1所述的基于深度學習的相似性產品推薦模型構建方法，其特征在于，所述深度神經網絡的輸入分為兩個分支；各個所述分支用于分別對兩個產品的信息信息進行輸入；所述深度神經網絡中包含有兩個BI-GRU網絡；兩個所述BI-GRU網絡用于分別進行特征提取，之后對兩個BI-GRU網絡提取到的特征進行全連接分析，將得到的結果再通過一個CNN網絡進行分析，得到二者的相似性分析結果進行輸出。

7.根據權利要求1所述的基于深度學習的相似性產品推薦模型構建方法，其特征在于，分別根據所述訓練集、所述驗證集和所述測試集對所述深度神經網絡進行訓練、驗證和評價，以得到最終的相似性產品推薦模型，包括：

使用所述訓練集對所述所述深度神經網絡進行訓練，采用BGD作為優化器，初始學習率為0.001，每100個epoch學習率衰減30％，batch?size大小為64，損失函數使用交叉熵損失函數，設定訓練800個epoch，連續20個epoch模型損失值無下降則停止訓練，得到訓練好的網絡模型；

使用所述驗證集對訓練好的網絡模型進行200個epoch的二次訓練，若模型損失無下降，保存模型；若模型損失降低，將學習率設置為原來的0.5倍，使用訓練集數據繼續對模型進行訓練，直到模型損失穩定，得到驗證后的網絡模型；

采用敏感性、特異性與約登指數對驗證后的網絡模型的效果進行評價，并根據評價結果確定最終的相似性產品推薦模型。

8.根據權利要求7所述的基于深度學習的相似性產品推薦模型構建方法，其特征在于，所述敏感性、特異性與約登指數的計算公式分別為：

TPR＝TP/(TP+FN)；

TNR＝TN/(TN+FP)；

YI＝TPR+TNR-1；

其中，TPR為所述敏感性，TNR為所述特異性，YI為所述約登指數，TP為正類判定為正類數量，FN為正類判定為負類數量，TN為負類判定為負類數量，FP為負類判定為正類數量。