一种网络商城的推荐方法和装置制造方法及图纸

本发明专利技术的实施例公开一种网络商城的推荐方法和装置，所述方法包括：步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；步骤2，计算当前用户u和各个用户v针对搜索ej的相关性qujv：步骤3，对于所述相关性qujv转换为和为1的相关性概率分布pujv；步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵；步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户。

A Recommendation Method and Device for Network Mall

【技术实现步骤摘要】
一种网络商城的推荐方法和装置
本专利技术涉及电子商务领域，尤其涉及一种网络商城的推荐方法和装置。
技术介绍
推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。机器学习在推荐系统中同样有很广泛的应用，如今大型互联网网站比如Amazon、淘宝、京东等，都投入了很大的精力在推荐系统这一领域上，希望用户能够更加快速的找到自己想要的商品或者与自己相同爱好的用户。
技术实现思路
有鉴于此，本专利技术实施例提供一种网络商城的推荐方法和装置，能够给用户推荐有相同爱好的其他用户。一种网络商城的推荐方法，包括：步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量ej；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{mi}和第三向量集合{ci}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{ej}；即：q→ej，M→{mi}，M→{ci}，E→{ej}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为商品的总数目；步骤2，计算当前用户u和各个用户v针对搜索ej的相关性qujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：步骤3，对于所述相关性qujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布pujv，所述相关性概率分布由至少两个相关性qujv组成；步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。一种网络商城的推荐装置，包括：第一获取单元，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量ej；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{mi}和第三向量集合{ci}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{ej}；即：q→ej，M→{mi}，M→{ci}，E→{ej}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为商品的总数目；计算单元，计算当前用户u和各个用户v针对搜索ej的相关性qujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：转换单元，对于所述相关性qujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布pujv，所述相关性概率分布由至少两个相关性qujv组成；建立单元，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；变换单元，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；选择单元，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。本专利技术中，能够给用户推荐有相同爱好的其他用户，提高了用户体验。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术的实施例网络商城的推荐方法的示意图。具体实施方式下面结合附图对本专利技术实施例进行详细描述。应当明确，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本专利技术时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。如图1所示，为本专利技术所述的一种网络商城的推荐方法，包括：步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量ej；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{mi}和第三向量集合{ci}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{ej}；即：q→ej，M→{mi}，M→{ci}，E→{ej}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为商品的总数目；步骤2，计算当前用户u和各个用户v针对搜索ej的相关性qujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：步骤3，对于所述相关性qujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布pujv，所述相关性概率分布由至少两个相关性qujv组成；步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。其中，所述步骤2包括：其中，qujv表示当前查询用户u和任意用户v相对于待查询商品j的相关性；mu和mv来自第二向量集合{mi}；mu代表当前用户的向量，mv代表第二向量集合{mi}中任意用户的向量；ej来自第四向量集合{ej}；ej代表当前查询的商品的名称的向量。其中，所述步骤3包括：qujk表示当前查询用户u和任意用户k相对于待查询商品j的相关性，k是N中的任意一项；pujv表示对所有相关性结果qujk经过softmax函数归一化后的相关性概率分布；其中exp是底为自然对数e的指数运算。其中，所述步骤4包括：ouj表示当前查询用户u和所有用户相对于查询的商品j的第一相关性信息矩阵；cv来自第三向量集合{ci}，代表用户v的信息；其中，所述步骤5包括：ruj＝Wouj+bruj表示当前查询用户u和所有用户相对于查询的商品j的第二相关性信息矩阵；W是训练过程中的参数；b也为训练过程中的参数，他们为随机生成的且符合均值为0、均方差为0.5的正态分布的初始化矩阵。本专利技术具有以下有益效果：1)能够帮助用户找到他真正感兴趣的内容，即找到与此用本文档来自技高网...

【技术保护点】
1.一种网络商城的推荐方法，其特征在于，包括：步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量ef；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{mt}和第三向量集合{ci}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{ej}；即：q→ej,M→{mi},M→{ci},E→{ej}；i和j代表元素的编号；i属于N,j属于M，N为用户总数目，M为商品的总数目；步骤2,计算当前用户u和各个用户v针对搜索ej的相关性qujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：步骤3,对于所述相关性qujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布pujv，所述相关性概率分布由N个相关性qujv组成，N至少为2；步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。...

【技术特征摘要】
1.一种网络商城的推荐方法，其特征在于，包括：步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量ef；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{mt}和第三向量集合{ci}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{ej}；即：q→ej,M→{mi},M→{ci},E→{ej}；i和j代表元素的编号；i属于N,j属于M，N为用户总数目，M为商品的总数目；步骤2,计算当前用户u和各个用户v针对搜索ej的相关性qujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：步骤3,对于所述相关性qujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布pujv，所述相关性概率分布由N个相关性qujv组成，N至少为2；步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。2.根据权利要求1所述的方法，其特征在于，所述步骤2包括：其中，qujv表示当前查询用户u和任意用户v相对于待查询商品j的相关性；mu和mv来自第二向量集合{mi}；mu代表当前用户的向量，mv代表第二向量集合{mi}中任意用户的向量；ej来自第四向量集合{ej}；ej代表当前查询的商品的名称的向量。3.根据权利要求2所述的方法，其特征在于，所述步骤3包括：qujk表示当前查询用户u和任意用户k相对于待查询商品j的相关性,k是N中的任意一项；qujv表示对所有相关性结果qujk经过softmax函数归一化后...

【专利技术属性】
技术研发人员：孙振起，孙豪，黄仔琪，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11