一种电商推荐方法及系统技术方案

本发明专利技术属于互联网技术领域，公开了一种电商推荐方法，该方法包括：获取知识数据和构建包含多个不同主题的时序知识图谱，并建立多层级的标签；根据用户最新的行为数据进行标签提取，构建用户动态画像数据；将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前状态的图谱主题；分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。采用本发明专利技术的方法及系统，推荐结果更为准确，可解释性强，在无最新的用户行为数据的时候，仍然可以在时间维度上对用户进行动态画像和商品推荐。

An e-commerce recommendation method and system

The invention belongs to the field of Internet technology, and discloses an e-commerce recommendation method, which includes: acquiring knowledge data, constructing a time series knowledge map with multiple different topics, and establishing a multi-level label; extracting labels according to the latest behavior data of users, and constructing user dynamic portrait data; labeling time series knowledge map and user dynamic portrait data Through joint matching, we can identify the theme of the map that conforms to the current status of the user; analyze the time range corresponding to the user on the timing knowledge map, and recommend the products within the corresponding time range to the user. With the method and system of the invention, the recommendation result is more accurate and has strong interpretability. When there is no latest user behavior data, the user can still be dynamically depicted and recommended in time dimension.

【技术实现步骤摘要】
一种电商推荐方法及系统
本专利技术属于互联网
，尤其涉及一种电商推荐方法及系统。
技术介绍
当前各大电商网站如亚马逊、京东和淘宝的个性化推荐，是提升电商品牌价值、商品销量以及客户体验的重要办法。主流的个性化推荐算法有：基于内容的推荐、基于协同过滤进行推荐，以及基于深度学习进行推荐等方法。但是，基于协同过滤(CollaborativeFiltering)的方法仅考虑到用户对商品的反馈数据，而基于内容(ContentBase)的方法仅考虑商品的特性数据，这样单纯的依赖部分数据进行推荐难以满足用户更深层次的推荐需求，同时也存在稀疏性等问题；基于深度学习的推荐，推荐效果较前两方法有很大的提高，但却以损失性能为代价，推荐的结果解释性也较低。上述的推荐方法有各自适应场景和不足之处。因此，如何提高电商推荐的准确度和可解释性便成为了目前亟待解决的技术问题。
技术实现思路
本专利技术的目的是，提供一种电商推荐方法，基于时序知识图谱建立，以实现电商服务的推荐准确度高、可解释性强的特点，即使用户一段时间没有行为，也可以为用户进行准确的推荐。本专利技术采用的技术方案如下：一种电商推荐方法，所述方法包括：获取知识数据构建包含多个不同主题的时序知识图谱，并建立不同级别的标签；根据用户最新的行为数据进行标签提取，构建用户动态画像数据；将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前的图谱主题；分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。具体地，从互联网获取不同的知识数据，对知识数据进行语义分析和关键词提取，针对每个主题的知识数据按照时间顺序标注时序信息，构建不同主题的时序知识图谱。进一步地，将时序知识图谱中的各主题标定为一级标签，将时序知识图谱上的实体节点根据数据表达含义范围的粒度大小标定为一级标签之下的其它多个层级的标签。具体地，根据用户最新的行为数据，从用户的该行为数据中提取出与时序知识图谱存在关联的标签，其中，所述行为数据至少包括如下中的一种或几种的组合：用户新浏览的商品信息、用户新加入购物车的商品信息、用户的历史订单数据、用户收藏的商品信息。进一步地，提取用户不同商品信息的标签数据，找出该用户的新增标签，保留粒度较小的所对应级别的标签。进一步地，提取出该用户的标签后，与用户画像进行数据合并，形成用户的动态画像数据。进一步地，将用户动态画像数据与时序知识图谱的主题进行标签关联，从所有主题中识别出符合当前用户的主题。进一步地，基于所识别出的主题，进一步将主题所对应的时序知识图谱与用户动态画像进行标签关联分析，从而确定用户在对应时序图谱中的时间范围，并将所述时序图谱上的时间范围上的商品推荐给用户。进一步地，当用户之前已经匹配到特定主题，如近期用户没有新的行为数据，则根据之前匹配的时间范围以及时间流失的长度，推算符合用户当前状态的新的时间范围，并将新的时间范围信息更新至用户动态画像。基于本专利技术的另一方面，还提供了一种电商推荐系统，所述系统包括：时序知识图谱模块，用于获取知识数据，并根据获取不同主题的知识数据构建包含多个不同主题的时序知识图谱；用户动态画像模块，根据用户最新的行为数据，提取出该行为数据的标签信息，并与用户画像进行数据合并，形成用户的动态画像数据；分析模块，通过将用户动态画像与所述时序知识图谱的主题进行标签关联和分析，从而确定用户在对应时序图谱中的时间范围；推送模块，用以将分析模块确立的所述时间范围内时序图谱上的商品推荐给用户；标签模块，用于统一管理各模块的标签，确立各个标签的层级对应关系。与现有技术相比，本专利技术所提供的一种电商推荐方法及系统，具有如下效果：1、本专利技术从时间维度上进行图谱构建，并对用户进行动态画像，基于时序图谱和动态画像进行标签映射分析以发现匹配于用户的时序图谱以及用户所处的时间范围，进而比较容易的为用户推荐商品，对于特定的主题，推荐准确度高，可解释性强。2、用户匹配到相应的时序知识图谱后，即使用户一段时间没有行为，也可以比较精确的掌握用户未来一段时间(可以长达数年)的购物兴趣，为用户进行准确的推荐。附图说明图1是本专利技术实施例中的电商推荐方法的流程示意图。图2是本专利技术实施例中的电商推荐系统的架构图。图3是本专利技术实施例中的时序知识图谱构建的流程示意图。图4是本专利技术实施例中的一个时序知识图谱的具体示例图。图5是本专利技术实施例中对用户行为数据进行标签提取的具体示例图。图6是本专利技术实施例中用户动态画像生成的具体示例图。图7是本专利技术实施例中将用户动态画像和时序知识图谱进行标签关联的具体示例图。图8是本专利技术实施例中确立用户在对应时序图谱中的时间范围的具体示例图。具体实施方式以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如在说明书及权利要求当中使用了某些词汇来指称特定部件。本领域技术人员应可理解，硬件或软件制造商可能会用不同名词来称呼同一个部件。本说明书及权利要求并不以名称的差异来作为区分部件的方式，而是以部件在功能上的差异来作为区分的准则。说明书后续描述为实施本专利技术的较佳实施方式，然所述描述乃以说明本专利技术的一般原则为目的，并非用以限定本专利技术的范围。本专利技术的保护范围当视所附权利要求所界定者为准。下面结合附图和具体实施例对本专利技术做进一步详细说明。如图1、图2所示，本专利技术实施例所公开的一种电商推荐方法，包括如下步骤：步骤S1、获取知识数据构建包含多个不同主题的时序知识图谱，并建立不同级别的标签。具体地，配合参照图3所示，在步骤S1中，通过爬虫技术和/或人工智能搜索技术从外部互联网，如百度百科、维基百科中抓取不同主题的知识数据，每个主题都分别打有代表此主题覆盖内容的标签，然后结合业务系统的技术业务数据，对这些知识数据进行语义处理，包括实体抽取、清洗、映射和消歧等过程。实体抽取是指从分布的、异构的文本中提取出特定的事实信息，将其中隐含的语义提取出来并以更为结构化、更为清晰的形式表示；语义清洗是过滤那些不符合要求的数据，比如重复数据、错误数据、残缺数据；语义映射是指将词映射到一个语义空间，得到向量，比如利用word2vec；语义消歧可以看作分类问题，一个词W有K个含义，对W消歧就是确定W在特定句子中究竟使用了哪一个含义，即把W分到K类中的一个，分类的依据则是和W邻近的词，即W的上下文C。经过对外部的知识数据进行语义处理之后，再针对每个主题的知识数据按照时间顺序标注时序信息，此处的时间顺序是指按照某一主题的所有事件发生的先后顺序及逻辑顺序，标注可采用人工方式，按照业务逻辑处理成意义明确的知识实体和实体关系，如此，构建不同主题的时序知识图谱。其中，将时序知识图谱中的各主题标定为一级标签，将时序知识图谱上的实体节点根据数据表达含义范围的粒度本文档来自技高网...

【技术保护点】
1.一种电商推荐方法，其特征在于，所述方法包括：/n获取知识数据构建包含多个不同主题的时序知识图谱，并建立多层级的标签；/n根据用户最新的行为数据进行标签提取，构建用户动态画像数据；/n将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前状态的图谱主题；/n分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。/n

【技术特征摘要】
1.一种电商推荐方法，其特征在于，所述方法包括：
获取知识数据构建包含多个不同主题的时序知识图谱，并建立多层级的标签；
根据用户最新的行为数据进行标签提取，构建用户动态画像数据；
将时序知识图谱与用户动态画像数据进行标签关联匹配，识别出符合该用户当前状态的图谱主题；
分析该用户对应到时序知识图谱上的时间范围，并将对应时间范围内的商品推荐给用户。


2.如权利要求1所述的电商推荐方法，其特征在于，从互联网获取不同的知识数据，对知识数据进行语义分析和关键词提取，针对每个主题的知识数据按照时间顺序标注时序信息，构建不同主题的时序知识图谱。


3.如权利要求1所述的电商推荐方法，其特征在于，将时序知识图谱中的各主题标定为一级标签，将时序知识图谱上的实体节点根据数据表达含义范围的粒度大小标定为一级标签之下的其它多个层级的不同级别的标签。


4.如权利要求1或3所述的电商推荐方法，其特征在于，根据用户最新的行为数据，从用户的该行为数据中提取出与时序知识图谱存在关联的标签，优选地，所述行为数据至少包括如下中的一种或几种的组合：用户新浏览的商品信息、用户新加入购物车的商品信息、用户的历史订单数据、用户收藏的商品信息。


5.如权利要求4所述的电商推荐方法，其特征在于，提取用户不同商品信息的标签数据，找出该用户的新增标签，保留细粒度较小的所对应层级的标签。


6.如权利要求5所述的电商推荐方法，其特...

【专利技术属性】
技术研发人员：郁国勇，李成，汪金忠，孙迁，
申请(专利权)人：苏宁云计算有限公司，
类型：发明
国别省市：江苏;32