商品推荐方法及商品推荐装置、设备和存储介质制造方法及图纸

本发明专利技术提供了一种商品推荐方法，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；将商品信息向量和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每个用户和每种商品之间的相关性系数；根据与每个用户关联的所有相关性系数向每个用户推荐商品。相应地，本发明专利技术还对应提出了商品推荐装置、计算机设备和计算机可读存储介质。通过本发明专利技术的技术方案，可以有效地解决现有推荐方案中的冷启动问题，并有效地降低了特征提取的难度，从而提高了商品的推荐效率和推荐效果。

Commodity recommendation method and commodity recommendation device, equipment and storage medium

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，本专利技术的一个目的在于提出了一种新的商品推荐方法，可以有效地解决现有推荐方案中的冷启动问题，并支持对新用户推荐合适的商品，而且通过采用深度学习直接对用户兴趣进行建模，无需繁琐的人工提取特征过程，即有效地降低了特征提取的难度，从而提高了商品的推荐效率和推荐结果。本专利技术的另一个目的在于对应提出了商品推荐装置、计算机设备和计算机可读存储介质。为实现上述至少一个目的，根据本专利技术的第一方面，提出了一种商品推荐方法包括：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；将商品信息向量和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每个用户和每种商品之间的相关性系数；根据与每个用户关联的所有相关性系数向每个用户推荐商品。在该技术方案中，考虑到用户的历史行为很大程度上能够反映用户的背景和偏好，从而据此可准确地了解用户的兴趣，则可以首先基于用户历史行为数据进行深度学习训练分别得到用户侧和商品侧的深度神经网络模型，进一步可以利用上述深度神经网络模型进行特征提取，具体地，需要对其进行商品推荐的目标用户集中每个用户的关联用户信息和待推荐的目标商品集中的每种商品的关联商品信息分别进行向量化，进而则可以将得到的用户信息向量和商品信息向量分别输入到对应的深度神经网络模型中进行特征提取得到用户特征向量和商品特征向量，如此则无需进行繁琐的人工提取特征的过程，即有效地降低了特征提取的难度，然后基于特征提取得到的不同的用户特征向量和不同的商品特征向量进行每个用户和每种商品之间的相关性系数，从而更好地挖掘出用户与商品间的潜在关系，继而基于得到的与每个用户关联的所有相关性性系数用相应的用户推荐商品，以将更合适的商品推荐给用户，本专利技术的该技术方案可以有效地解决现有推荐方案中的冷启动问题，并支持对新用户推荐合适的商品，同时有效地提高了商品推荐的效率和效果，从而提高用户的满意度。进一步地，在上述技术方案中，用户历史行为数据也应至少包括关联用户信息和关联商品信息，其中上述任一关联用户信息至少包括话题查看记录、搜索文本记录和已购商品条目记录，以及上述任一关联商品信息至少包括商品名称、商品被点击总数、商品被收藏总数和商品被卖出总数。在上述任一技术方案中，优选地，根据提取到的商品特征向量和用户特征向量计算每个用户和与每个用户和每种商品之间的相关性系数的步骤包括：在潜在语义空间，将商品特征向量和用户特征向量代入预设相似度计算公式计算每个用户和每种商品之间的相关性系数。在该技术方案中，当根据分别经过用户侧和商品侧对应的深度学习模型进行特征提取得到对应的用户特征向量和商品特征向量而将用户和商品的相关信息映射到更抽象的潜在语义空间时，可以在该潜在语义空间计算每对用户和商品之间的相关性系数，具体将每对用户特征向量和商品特征向量代入预设相似度计算公式进行相关性系数的计算，以准确地挖掘用户和商品间的潜在关系，从而将更合适的商品推荐给用户。在上述任一技术方案中，优选地，预设相似度计算公式为：其中，U代表用户，I代表商品，yU代表用户特征向量，yI代表商品特征向量，yUT代表yU的转置，||yU||代表用户特征向量的范数，||yI||代表商品特征向量的范数。在该技术方案中，用于在潜在语义空间计算每对用户特征向量和商品特征向量之间的预设相似度计算公式优选地为余弦相似度计算公式，通过对用户特征向量和商品特征向量相关运算后得到能够表征每对用户和商品之间的潜在关系的相似性系数，进而使根据该相似性参数向用户推荐的商品能够更加满足用户的需求、符合用户的兴趣偏好。在上述任一技术方案中，优选地，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。在该技术方案中，分别用于对用户和商品进行特征提取的用户侧和商品侧的深度神经网络模型为具有多个隐层的神经网络，且每一隐层均具有对应的权重矩阵和偏置，以通过对每个隐层进行权重赋值和偏置运算确保得到的用户特征向量和商品特征向量的稳定性和准确性。在上述任一技术方案中，优选地，根据与每个用户关联的所有相关性系数向每个用户推荐商品的步骤包括：将与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每个用户。在该技术方案中，当得到目标用户集中的每个用户与不同商品之间的相关性系数后，则可以将与每个用户关联的所有相关性系数进行大小排序，并根据设定的预设位次阈值筛选出向用户推荐的满足用户需求和兴趣偏好的目标商品，具体地可以将排在该预设位次阈值之前的一个或多个相关性系数对应的一个或多个目标商品优本文档来自技高网...

【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