The invention provides a commodity recommendation method, which includes: extracting the user information vector corresponding to the associated user information of each user and the corresponding commodity information vector of each commodity in the target commodity, and input the commodity information vector and the user information vector to the corresponding basis respectively. Feature extraction in the depth neural network model obtained by user historical behavior data training; the correlation coefficient between each user and each item is calculated based on the extracted product feature vectors and user eigenvectors; and the products are recommended to each user based on all the correlation coefficients associated with each user. Correspondingly, the invention also proposes a commodity recommendation device, a computer device and a computer readable storage medium. The technical scheme of the invention can effectively solve the cold start problem in the existing recommendation scheme, and effectively reduce the difficulty of feature extraction, thus improving the recommendation efficiency and the recommendation effect of the goods.
【技术实现步骤摘要】
商品推荐方法及商品推荐装置、设备和存储介质
本专利技术涉及商品推荐
,具体而言,涉及商品推荐方法、商品推荐装置、计算机设备和计算机可读存储介质。
技术介绍
目前,推荐系统和个性化推荐在现代网络中扮演着越来越重要的角色,许多网络服务致力于在最短的时间帮助用户寻找到最相关的内容。一般地,传统推荐系统可以分为基于协同过滤的推荐系统和基于内容的推荐系统,其中协同过滤推荐系统一般遵循“相似用户的兴趣爱好相同,会喜欢相同东西”的原则,以及协同过滤推荐可分为基于用户的协同过滤推荐、基于商品的协同过滤推荐以及二者相结合的协同过滤推荐。其中,基于用户的协同过滤推荐算法利用用户喜欢的商品计算用户之间的相似度,然后结合该相似度对商品进行打分排序,进而实现商品推荐。基于商品的协同过滤则是给用户推荐那些和他们之前喜欢的物品相似的物品。协同过滤推荐系统算法虽然简单易行,但是存在冷启动的问题,无法给新用户推荐商品。而基于内容的推荐系统是从商品或者用户中提取相应的特征,并根据这些特征向用户推荐商品。虽然,基于内容的推荐系统可以在一定程度上应对冷启动的问题,但由于用户在线配置的文件产生的信息是有限的,通常这种用户级的特征获取难度较大,这很可能无法获取用户真正的兴趣点,从而很大程度上降低了推荐效果。综上可知,无论是基于用户的协同过滤还是基于商品的协同过滤都存在冷启动问题,无法给新的用户推荐合适的商品;而基于内容的推荐系统,用户级的特征获取难度较大,可能无法获取用户真正的兴趣点,在很大程度上降低了推荐效果。
技术实现思路
本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。为此,本 ...
【技术保护点】
1.一种商品推荐方法,其特征在于,包括:提取目标用户集中每个用户的关联用户信息对应的用户信息向量和目标商品集中的每种商品的关联商品信息对应的商品信息向量;将所述商品信息向量和所述用户信息向量分别输入至对应的根据用户历史行为数据训练得到的深度神经网络模型中进行特征提取;根据提取到的商品特征向量和用户特征向量计算所述每个用户和所述每种商品之间的相关性系数;根据与所述每个用户关联的所有相关性系数向所述每个用户推荐商品。
【技术特征摘要】
1.一种商品推荐方法,其特征在于,包括:提取目标用户集中每个用户的关联用户信息对应的用户信息向量和目标商品集中的每种商品的关联商品信息对应的商品信息向量;将所述商品信息向量和所述用户信息向量分别输入至对应的根据用户历史行为数据训练得到的深度神经网络模型中进行特征提取;根据提取到的商品特征向量和用户特征向量计算所述每个用户和所述每种商品之间的相关性系数;根据与所述每个用户关联的所有相关性系数向所述每个用户推荐商品。2.根据权利要求1所述的商品推荐方法,其特征在于,所述根据提取到的商品特征向量和用户特征向量计算所述每个用户和与所述每个用户和所述每种商品之间的相关性系数的步骤包括:在潜在语义空间,将所述商品特征向量和所述用户特征向量代入预设相似度计算公式计算所述每个用户和所述每种商品之间的所述相关性系数。3.根据权利要求2所述的商品推荐方法,其特征在于,所述预设相似度计算公式为:其中,U代表用户,I代表商品,yU代表所述用户特征向量,yI代表所述商品特征向量,yUT代表yU的转置,‖yU‖代表所述用户特征向量的范数,‖yI‖代表所述商品特征向量的范数。4.根据权利要求3所述的商品推荐方法,其特征在于,用户侧的经训练得到的深度神经网络模型为:yU=f(Wu,N×Lu,N-1+bN),其中,Lu,p=f(Wu,p×Lu,p-1+bu,p),p=2,…,N-1,以及Lu,1=Wu,1×XU+bu,1,以及Lu,p(p=1,…,N-1)表示用户侧的深度神经网络的第p个隐层,Wu,p(p=1,…,N-1)表示第p个隐层的权重矩阵,bu,p(p=1,…,N-1)表示第p个隐层的偏置,N为大于1的正整数;商品侧的经训练得到的深度神经网络模型为:yI=f(Wq,M×Lq,M-1+bM),其中,Li,q=f(Wi,q×Li,q-1+bi,q),q=2,…,M-1,以及Li,1=Wi,1×XI+bi,1,以及Li,q(q=1,…,M-1)表示用户侧的深度神经网络的第q个隐层,Wu,i(i=1,…,M-1)表示第q个隐层的权重矩阵,bi,q(q=1,…,M-1)表示第q个隐层的偏置,M为大于1的正整数。5.根据权利要求1至4中任一项所述的商品推荐方法,其特征在于,根据与所述每个用户关联的所有相关性系数向所述每个用户推荐商品的步骤包括:将与所述每个用户关联的所有相关性系数进行排序;将排列在预设位次阈值之前的相关性系数分别对应的目标商品推荐给所述每个用户。6.一种商品推荐装置,其特征在于,包括:提取模块,用于提取目标用户集中每个用户的关联用户信息对应的用户信息向量和目标商品集中的每种商...
【专利技术属性】
技术研发人员:黄玉胜,郭浒生,郭丹,罗咏,
申请(专利权)人:合肥美的智能科技有限公司,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。