[發(fā)明專利]一種基于深度學(xué)習(xí)的相似性產(chǎn)品推薦模型構(gòu)建方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310217147.5
• 申請(qǐng)日: 2023-03-08
• 公開(kāi)（公告）號(hào): CN116188114A
• 公開(kāi)（公告）日: 2023-05-30
• 發(fā)明（設(shè)計(jì)）人: 劉欣宇;李宇;宋可
• 申請(qǐng)（專利權(quán)）人: 山西晉中理工學(xué)院
• 主分類號(hào): G06Q30/0601
• 分類號(hào): G06Q30/0601;G06F18/214;G06N3/0442;G06N3/0464;G06N3/09
• 代理公司: 北京鑫瑞森知識(shí)產(chǎn)權(quán)代理有限公司 11961
• 代理人: 王前明

本發(fā)明提供了一種基于深度學(xué)習(xí)的相似性產(chǎn)品推薦模型構(gòu)建方法，包括：根據(jù)商品信息和用戶點(diǎn)擊流信息構(gòu)建數(shù)據(jù)集；構(gòu)建數(shù)據(jù)集中各個(gè)樣本間的關(guān)聯(lián)關(guān)系，以擴(kuò)充數(shù)據(jù)標(biāo)簽，得到擴(kuò)充后的結(jié)構(gòu)化數(shù)據(jù)；對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到預(yù)處理數(shù)據(jù)；對(duì)預(yù)處理數(shù)據(jù)進(jìn)行劃分，得到訓(xùn)練集、驗(yàn)證集和測(cè)試集；基于雙向GRU構(gòu)建深度神經(jīng)網(wǎng)絡(luò)；分別根據(jù)訓(xùn)練集、驗(yàn)證集和測(cè)試集對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、驗(yàn)證和評(píng)價(jià)，以得到最終的相似性產(chǎn)品推薦模型。本發(fā)明使用產(chǎn)品文本信息和客戶行為數(shù)據(jù)推薦替代產(chǎn)品，能夠更好地處理冷啟動(dòng)和相關(guān)性問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)技術(shù)領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)的相似性產(chǎn)品推薦模型構(gòu)建方法。

背景技術(shù)

目前的產(chǎn)品推薦模型主要有兩種。首先是基于內(nèi)容的推薦方法。如果兩種產(chǎn)品具有相似的屬性或內(nèi)容，可以被另一種產(chǎn)品替代，將其視為替代產(chǎn)品，該種方法主要用Word2vec實(shí)現(xiàn)，以比較項(xiàng)目的相似性。然而，這種無(wú)監(jiān)督學(xué)習(xí)過(guò)程并不能推薦的替代產(chǎn)品與顧客的購(gòu)物偏好一致。第二種方法是利用顧客的行為，以商品到商品協(xié)同過(guò)濾的方式尋找替代產(chǎn)品。如果顧客經(jīng)常同時(shí)考慮兩種產(chǎn)品，可以推薦一種產(chǎn)品作為另一種產(chǎn)品的替代。然而，這種方法存在冷啟動(dòng)問(wèn)題。

綜上，現(xiàn)有的產(chǎn)品推薦模型存在算法特征提取能力智能化程度低、推薦精度低，無(wú)法冷啟動(dòng)等問(wèn)題。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于深度學(xué)習(xí)的相似性產(chǎn)品推薦模型構(gòu)建方法。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種基于深度學(xué)習(xí)的相似性產(chǎn)品推薦模型構(gòu)建方法，包括：

根據(jù)商品信息和用戶點(diǎn)擊流信息構(gòu)建數(shù)據(jù)集；

構(gòu)建所述數(shù)據(jù)集中各個(gè)樣本間的關(guān)聯(lián)關(guān)系，以擴(kuò)充數(shù)據(jù)標(biāo)簽，得到擴(kuò)充后的結(jié)構(gòu)化數(shù)據(jù)；

對(duì)所述結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到預(yù)處理數(shù)據(jù)；

對(duì)所述預(yù)處理數(shù)據(jù)進(jìn)行劃分，得到訓(xùn)練集、驗(yàn)證集和測(cè)試集；

基于雙向GRU構(gòu)建深度神經(jīng)網(wǎng)絡(luò)；

分別根據(jù)所述訓(xùn)練集、所述驗(yàn)證集和所述測(cè)試集對(duì)所述深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、驗(yàn)證和評(píng)價(jià)，以得到最終的相似性產(chǎn)品推薦模型。

優(yōu)選地，所述根據(jù)商品信息和用戶點(diǎn)擊流信息構(gòu)建數(shù)據(jù)集，包括：

從電子商務(wù)網(wǎng)站目錄數(shù)據(jù)中提取商品信息，得到原始文本數(shù)據(jù)；所述商品信息包括產(chǎn)品ID、產(chǎn)品標(biāo)題和描述；

根據(jù)用戶在所述原始文本數(shù)據(jù)中對(duì)于產(chǎn)品之間的比較信號(hào)確定所述用戶點(diǎn)擊流信息；

根據(jù)所述用戶點(diǎn)擊流信息創(chuàng)建數(shù)據(jù)集。

優(yōu)選地，構(gòu)建所述數(shù)據(jù)集中各個(gè)樣本間的關(guān)聯(lián)關(guān)系，以擴(kuò)充數(shù)據(jù)標(biāo)簽，得到擴(kuò)充后的結(jié)構(gòu)化數(shù)據(jù)，包括：

根據(jù)所述樣本中共同比較的產(chǎn)品對(duì)構(gòu)建連通圖；

根據(jù)所述連通圖中的每個(gè)產(chǎn)品創(chuàng)建對(duì)應(yīng)的陽(yáng)性樣本和陰性樣本；

根據(jù)所述陽(yáng)性樣本和所述陰性樣本確定所述結(jié)構(gòu)化數(shù)據(jù)。

優(yōu)選地，對(duì)所述結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，得到預(yù)處理數(shù)據(jù)，包括：

對(duì)所述結(jié)構(gòu)化數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)填補(bǔ)、歸一化處理和離散化處理，得到所述預(yù)處理數(shù)據(jù)。

優(yōu)選地，對(duì)所述預(yù)處理數(shù)據(jù)進(jìn)行劃分，得到訓(xùn)練集、驗(yàn)證集和測(cè)試集，包括：

以7：2：1的比例對(duì)所述預(yù)處理數(shù)據(jù)進(jìn)行劃分，得到所述訓(xùn)練集、所述驗(yàn)證集與所述測(cè)試集。