一种个性化商品推荐方法技术

本发明专利技术涉及一种个性化商品推荐方法，包括：接收用户的商品搜索指令；若用户已被分类，计算用户偏好的多维平均标签信息，用户的推荐模型基于多维平均标签信息计算第一多维属性信息，计算第一多维属性信息与商品类别中每个商品的第二多维属性信息的距离，将距离较小的商品推给用户；否则，基于多个商品的第二多维属性信息，计算第一多维平均属性信息，基于第一多维平均属性信息及各类用户的推荐模型，确定适用于该用户的推荐模型。本发明专利技术提供的推荐方法，首先对用户聚类，且利用多维的商品标签信息和商品属性信息，使得推荐准确率高；另外，当用户为新用户时，通过注意力迁移学习，利用已有推荐模型形成新用户的推荐模型，以解决冷启动问题。

【技术实现步骤摘要】
一种个性化商品推荐方法
本专利技术涉及数据挖掘
，特别是涉及一种个性化商品推荐方法。
技术介绍
随着网络技术的不断发展，在当今这个信息过载的时代，无论是作为信息消费者还是信息生产者都遇到了很大的挑战：信息消费者需要从海量的信息中找到自己感兴趣的信息；信息生产者需要使自己的信息脱颖而出，收到用户的关注。个性化推荐方法就能很好的解决上述问题。目前主要的个性化推荐方法主要包括基于内容的推荐方法和协同过滤的推荐方法，然而这些方法普遍存在准确率低、冷启动等问题。
技术实现思路
本专利技术提供一种个性化商品推荐方法，用以解决现有技术中存在的推荐准确率低的问题。本专利技术解决上述技术问题的技术方案如下：一种个性化商品推荐方法，包括：步骤1、接收需求用户的商品搜索指令，所述指令包括商品类别；步骤2、基于数据库的存储信息，判断所述需求用户是否已被分类，若是，执行步骤3，若否，执行步骤6；步骤3、基于所述需求用户与所述商品类别中产生交互的多个商品的第一多维标签信息，计算所述需求用户偏好的多维平均标签信息；步骤4、开启所述需求用户所属用户聚类的推荐模型，所述推荐模型基于所述多维平均标签信息，计算输出第一本文档来自技高网...

【技术保护点】
1.一种个性化商品推荐方法，其特征在于，包括：步骤1、接收需求用户的商品搜索指令，所述指令包括商品类别；步骤2、基于数据库的存储信息，判断所述需求用户是否已被分类，若是，执行步骤3，若否，执行步骤6；步骤3、基于所述需求用户与所述商品类别中产生交互的多个商品的第一多维标签信息，计算所述需求用户偏好的多维平均标签信息；步骤4、开启所述需求用户所属用户聚类的推荐模型，所述推荐模型基于所述多维平均标签信息，计算输出第一多维属性信息；步骤5、计算所述第一多维属性信息与所述商品类别中每个商品的第二多维属性信息之间的距离，并将所述距离按照从小到大的顺序进行排序，将前预设数量个所述距离对应的商品推荐给所述需...

【技术特征摘要】
1.一种个性化商品推荐方法，其特征在于，包括：步骤1、接收需求用户的商品搜索指令，所述指令包括商品类别；步骤2、基于数据库的存储信息，判断所述需求用户是否已被分类，若是，执行步骤3，若否，执行步骤6；步骤3、基于所述需求用户与所述商品类别中产生交互的多个商品的第一多维标签信息，计算所述需求用户偏好的多维平均标签信息；步骤4、开启所述需求用户所属用户聚类的推荐模型，所述推荐模型基于所述多维平均标签信息，计算输出第一多维属性信息；步骤5、计算所述第一多维属性信息与所述商品类别中每个商品的第二多维属性信息之间的距离，并将所述距离按照从小到大的顺序进行排序，将前预设数量个所述距离对应的商品推荐给所述需求用户；步骤6、基于所述多个商品的所述第二多维属性信息，计算第一多维平均属性信息，基于所述第一多维平均属性信息及每一用户聚类的聚类中心和推荐模型，对所述需求用户聚类并确定其推荐模型，保存该推荐模型并执行步骤3。2.根据权利要求1所述的一种个性化商品推荐方法，其特征在于，所述存储信息包括多维属性信息表和多维标签信息表；其中，所述多维属性信息表的生产方式包括：预设所述商品类别中的N个预设商品，N为大于1的正整数；获取每个所述预设商品的所述第二多维属性信息和第一多维标签信息，并生成所述N个预设商品对应的多维属性信息表和多维标签信息表。3.根据权利要求2所述的一种个性化商品推荐方法，其特征在于，所述用户聚类的生成方法包括：确定与所述N个预设商品产生过交互的所有的训练用户，并形成每个所述训练用户的商品表，所述商品表包括：与该训练用户产生交互的n个所述预设商品及其中每个所述预设商品的所述第二多维属性信息，n为小于N的正整数；基于每个所述商品表中所有第二多维属性信息，计算该商品表对应的第二多维平均属性信息；当每两个所述商品表对应的所述第二多维平均属性信息之间的距离小于预设距离时，将该两个商品表对应的两个所述训练用户聚为一类，形成用户聚类并保存。4.根据权利要求3所述的一种个性化商品推荐方法，其特征在于，每个所述商品表还包括：该商品表中每个所述预设商品的第一多维标签信息；则每个所述用户聚类的所述推荐模型的训练过程包括：步骤0.1、确定该用户聚类中的其中任意一个所述训练用户；步骤0.2、确定该训练用户的所述商品表中其中任意一个所述预设商品；步骤0.3、将该预设商品对应的第一多维标签信息输入至深度强化推荐网络，所述深度强化推荐网络输出一个第三多维属性信息；步骤0.4、从该商品表的剩余所述预设商品中确定与该第三多维属性信息的距离最小的第二多维属性信息对应的所述预设商品，最小距离记为d；步骤0.5、通过状态更新公式，对该预设商品的第一多维标签信息进行更新，得到新的第一多维标签信息；步骤0.6、获取该训练用户对该预设商品的评分信息，基于所述d和所述评分信息，计算该轮训练的损失函数值，若所述损失函数值收敛，完成该用户聚类的推荐模型的...

【专利技术属性】
技术研发人员：李国徽，潘鹏，李剑军，杜俊博，魏明，胡志勇，徐萍，石才，谭敏，
申请(专利权)人：华中科技大学，福建省华智人工智能创新研究中心，武汉烽火技术服务有限公司，
类型：发明
国别省市：湖北,42