基于转移概率网络的商户推荐方法及其系统技术方案

本发明专利技术涉及基于转移概率网络的商户推荐方法及其系统。该方法包括：对N个商户进行OneHot编码，其中，每个商户被映射为一个N维的稀疏向量；对于规定账户，记录相关交易对应的商户代码并排序而构建消费商户序列，其中，所述商户代码以由进行OneHot编码之后的向量表示；构建神经网络，其中，以每个商户的OneHot编码之后的向量作为输入层、以在该商户之后接下来可能出现的商户的商户出现概率分布作为输出层；以及基于所述转移概率网络构建步骤输出的所述商户出现概率向用户推荐商户。根据本发明专利技术，提出了转移概率三层神经网络的架构，能够根据海量用户的消费序列，快速分析商户系列之间的关系，进行更精准的推荐。

【技术实现步骤摘要】
基于转移概率网络的商户推荐方法及其系统
本专利技术涉及数据处理，具体地涉及一种通过构建神经网络计算转移概率的商户推荐方法及其系统。
技术介绍
用户们在消费的时候，已经习惯先从网络上去获取的商户信息，然后选择感兴趣的商户进行消费，即使在线下消费场景也是如此。一些互联网网站也会经常地向用户进行商户推荐，从而节约用户购物时间、提高效率，并且更好改善用户服务体验。不过，很多商户推荐功能都是将商户按热门程度进行排序推荐，这导致大量用户收到的推荐信息都是类似的，没有针对用户喜好和的商户的特点进行推荐。这样，用户仍然会有很大的迷茫性，难以找到适合自己商户。通过检索发现，现在有一些公司也使用了一些机器学习方法来提升商户推荐的效率，但是这些方案大多建立在要准确获取用户各种隐私数据的基础之上。公开于本专利技术背景部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
鉴于上述问题，本专利技术旨在提供一种利一种能够根据海量用户的消费序列快速分析商户序列之间关联从而进行更精准推荐的基于转移概率网络的商户推荐方法以及基于转移概率网络的商户推荐系统。本专利技术的基于转移概率网络的商户推荐方法，其特征在于，包括：OneHot编码步骤，对N个商户进行OneHot编码，其中，每个商户被映射为一个N维的稀疏向量；消费商户序列构建步骤，对于规定账户，记录相关交易对应的商户代码并排序而构建消费商户序列，其中，所述商户代码以由所述OneHot编码步骤进行OneHot编码之后的向量表示；以及转移概率网络构建步骤，构建神经网络，其中，以每个商户的OneHot编码之后的向量作为输入层、以在该商户之后接下来可能出现的商户的商户出现概率分布作为输出层。可选地，在所述转移概率网络构建步骤之后进一步具备：商户推荐步骤，基于所述转移概率网络构建步骤输出的所述商户出现概率向用户推荐商户。可选地，所述转移概率网络构建步骤包括下述子步骤：构建神经网络模型子步骤，构建包含具有输入层、隐藏层、输出层的三层神经网络；生成训练样本子步骤，基于所述消费商户序列生成训练样本；以及训练神经模型子步骤，基于规定算法训练该神经网络。可选地，在所述训练神经模型子步骤中，所述输入层的维度为N，所述隐藏层的维度为m，将输入层到隐藏层的权重矩阵记为W1，则权重矩阵W1记为N行*m列，当输入向量的第k维为1时，仅提取出W1中的第k行的行向量作为输出。可选地，在所述训练神经模型子步骤中，对正样本进行权重更新，随机选取一部分的负样本进行权重更新。可选地，在所述消费商户序列构建步骤中，统计规定时间内消费次数大于预设阈值的账户，对于统计出的账户，记录每一笔交易对应的商户代码，将每一个所述账户该段规定时间内消费所在商户的商户代码按照依次排列。可选地，在所述生成训练样本子步骤中，对于所述消费商户序列，按照规定位置参数选取作为输入层的商户的附近商户得到训练样本或者按照规定时间参数选取作为输入层的商户的附近商户得到训练样本。本专利技术的基于转移概率网络的商户推荐系统，其特征在于，具备：OneHot编码模块，对N个商户进行OneHot编码，其中，每个商户被映射为一个N维的稀疏向量；消费商户序列构建模块，对于规定账户，记录相关交易对应的商户代码并排序而构建消费商户序列，其中，所述商户代码以由所述OneHot编码步骤进行OneHot编码之后的向量表示；以及转移概率网络构建模块，构建神经网络，其中，以每个商户的OneHot编码之后的向量作为输入层、以在该商户之后接下来可能出现的商户的商户出现概率分布作为输出层。可选地，进一步具备：商户推荐模块，基于所述转移概率网络构建装置输出的所述商户出现概率向用户推荐商户。可选地，所述转移概率网络构建模块具备：构建神经网络模型子模块，构建包含具有输入层、隐藏层、输出层的三层神经网络；生成训练样本子模块，利用所述消费商户序列生成训练样本；以及训练神经模型子模块，基于规定算法训练该神经网络。可选地，在所述训练神经模型子模块中，设所述输入层的维度为N，所述隐藏层的维度为m，将输入层到隐藏层的权重矩阵记为W1，则权重矩阵W1记为N行*m列，当输入向量的第k维为1时，仅提取出W1中的第k行的行向量作为输出。可选地，所述训练神经模型子模块中，对正样本进行权重更新，随机选取一部分的负样本进行权重更新。可选地，所述消费商户序列构建模块统计规定时间内消费次数大于预设阈值的账户，对于统计出的账户，记录每一笔交易对应的商户代码，将每一个所述账户该段规定时间内消费所在商户的商户代码按照依次排列。可选地，在所述生成训练样本子模块对于所述消费商户序列，按照规定位置参数选取与作为输入层的商户位置相关的商户而得到训练样本、或者按照规定时间参数选取作为与输入层的商户时间相关的商户而得到训练样本。本专利技术的计算机可读介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述的基于转移概率网络的商户推荐方法。本专利技术的计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的基于转移概率网络的商户推荐方法。根据本专利技术的基于转移概率网络的商户推荐方法以及基于转移概率网络的商户推荐系统，利用转移概率三层神经网络的架构，能够大大，使得计算在可控范围内。而且，在神经网络权重计算的过程中，进一步通过使用“查表法”以及“负样本抽样”法能够加速计算。根据本专利技术，提出了转移概率三层神经网络的架构，能够根据海量用户的消费序列，快速分析商户系列之间的关系，进行更精准的推荐。通过纳入本文的附图以及随后与附图一起用于说明本专利技术的某些原理的具体实施方式，本专利技术的方法和装置所具有的其它特征和优点将更为具体地变得清楚或得以阐明。附图说明图1是表示本专利技术的基于转移概率网络的商户推荐方法的示意图。图2是表示本专利技术的基于转移概率网络的商户推荐方法的第一实施方式的流程图。图3是表示商户转移概率网络模型的架构。图4中表示了商户1到商户7的7个商户的商户序列。图5中表示了商户1到商户7的7个商户的商户序列。图6是表示本专利技术的基于转移概率网络的商户推荐系统的构造框图。具体实施方式下面介绍的是本专利技术的多个实施例中的一些，旨在提供对本专利技术的基本了解。并不旨在确认本专利技术的关键或决定性的要素或限定所要保护的范围。首先，对于本专利技术的基于转移概率网络的商户推荐方法进行说明。图1是表示本专利技术的基于转移概率网络的商户推荐方法的示意图。图1所示，本专利技术的基于转移概率网络的商户推荐方法包括下述步骤：OneHot编码步骤S100：对N个商户进行OneHot编码，其中，每个商户被映射为一个N维的稀疏向量，N为自然数；消费商户序列构建步骤S200：对于规定账户，记录相关交易对应的商户代码并排序而构建消费商户序列，其中，所述商户代码以由所述OneHot编码步骤S100进行OneHot编码之后的向量表示；转移概率网络构建步骤S300：构建神经网络，其中，以每个商户的OneHot编码之后的向量作为输入层、以在该商户之后接下来可能出现的商户的商户出现概率分布作为输出层；以及商户推荐步骤S400，基于所述转移概率网络构建步骤S30本文档来自技高网...

【技术保护点】
1.一种基于转移概率网络的商户推荐方法，其特征在于，包括：OneHot编码步骤，对N个商户进行OneHot编码，其中，每个商户被映射为一个N维的稀疏向量，N为自然数；消费商户序列构建步骤，对于规定账户，记录相关交易对应的商户代码并排序而构建消费商户序列，其中，所述商户代码以由所述OneHot编码步骤进行OneHot编码之后的向量表示；以及转移概率网络构建步骤，构建神经网络，其中，以每个商户的OneHot编码之后的向量作为输入层、以在该商户之后接下来可能出现的商户的出现概率分布作为输出层。

【技术特征摘要】
1.一种基于转移概率网络的商户推荐方法，其特征在于，包括：OneHot编码步骤，对N个商户进行OneHot编码，其中，每个商户被映射为一个N维的稀疏向量，N为自然数；消费商户序列构建步骤，对于规定账户，记录相关交易对应的商户代码并排序而构建消费商户序列，其中，所述商户代码以由所述OneHot编码步骤进行OneHot编码之后的向量表示；以及转移概率网络构建步骤，构建神经网络，其中，以每个商户的OneHot编码之后的向量作为输入层、以在该商户之后接下来可能出现的商户的出现概率分布作为输出层。2.如权利要求1所述的基于转移概率网络的商户推荐方法，其特征在于，在所述转移概率网络构建步骤之后进一步具备：商户推荐步骤，基于所述转移概率网络构建步骤输出的所述出现概率向用户推荐商户。3.如权利要求1或2所述的基于转移概率网络的商户推荐方法，其特征在于，所述转移概率网络构建步骤包括下述子步骤：构建神经网络模型子步骤，构建包含具有输入层、隐藏层、输出层的三层神经网络；生成训练样本子步骤，基于所述消费商户序列生成训练样本；以及训练神经模型子步骤，基于规定算法训练该神经网络。4.如权利要求3所述的基于转移概率网络的商户推荐方法，其特征在于，在所述训练神经模型子步骤中，所述输入层的维度为N，所述隐藏层的维度为m，将输入层到隐藏层的权重矩阵记为W1，则权重矩阵W1记为N行*m列，当输入向量的第k维为1时，仅提取出W1中的第k行的行向量作为输出。5.如权利要求4所述的基于转移概率网络的商户推荐方法，其特征在于，在所述训练神经模型子步骤中，对正样本进行权重更新，随机选取一部分的负样本进行权重更新。6.如权利要求3所述的基于转移概率网络的商户推荐方法，其特征在于，在所述消费商户序列构建步骤中，统计规定时间内消费次数大于预设阈值的账户，对于统计出的账户，记录每一笔交易对应的商户代码，将每一个所述账户该段规定时间内消费所在商户的商户代码按照依次排列。7.如权利要求3所述的基于转移概率网络的商户推荐方法，其特征在于，在所述生成训练样本子步骤中，对于所述消费商户序列，按照规定位置参数选取与作为输入层的商户位置相关的商户而得到训练样本、或者按照规定时间参数选取与作为输入层的商户时间相关的商户而得到训练样本。8.一种基于转移概率网络的商户推荐系统，其特征在于，具备：OneHot编码模块，对N个商户进行OneHot编码，其中，每个商户被映射为一个N维的稀疏向量，N...

【专利技术属性】
技术研发人员：李旭瑞，郑建宾，赵金涛，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：上海,31