基于特征融合的重复性商品信息推荐方法及电子设备技术

技术编号:22566142 阅读:42 留言:0更新日期:2019-11-16 12:29
本发明专利技术公开了一种基于特征融合的重复性商品信息推荐方法,包括:定义重复性购物规则;定义商品的形状参数,基于所述重复性购物规则,利用威布尔函数建模,得到重复性商品购物周期;基于所述重复性商品购物周期,得到商品的存活函数和危险函数的关系;融合用户的历史购物行为,通过时序模型建模所述形状参数的时序变化,得到重新定义的形状参数;基于所述重新定义的形状参数,改变所述存活函数的计算方式,得到重新定义的危险函数和约束方程;根据训练集挖掘的重复模式构建目标函数,优化所述目标函数,得到预测模型;使用所述预测模型对用户重复性购物行为进行预测,得到预测结果,依据所述预测结果进行商品信息推荐。

Recommender method and electronic equipment of repetitive commodity information based on Feature Fusion

The invention discloses a repetitive commodity information recommendation method based on feature fusion, which includes: defining repetitive shopping rules; defining shape parameters of commodities, modeling with Weibull function based on the repetitive shopping rules, obtaining repetitive commodity shopping cycle; obtaining the relationship between survival function and risk function of commodities based on the repetitive commodity shopping cycle; Integrate the user's historical shopping behavior, model the time sequence change of the shape parameters through the time sequence model, and get the redefined shape parameters; change the calculation method of the survival function based on the redefined shape parameters, and get the redefined danger function and constraint equation; build the objective function according to the repeated pattern of training set mining, and optimize the objective function The prediction model is used to predict the repeated shopping behavior of users, obtain the prediction results, and recommend the commodity information according to the prediction results.

【技术实现步骤摘要】
基于特征融合的重复性商品信息推荐方法及电子设备
本专利技术涉及人工智能领域,特别是指一种基于特征融合的重复性商品信息推荐方法及电子设备。
技术介绍
推荐系统属于资讯过滤的一种应用,推荐系统首先收集用户的历史行为数据,然后通过预处理的方法得到用户评价矩阵,再利用机器学习领域中相关推荐技术形成对用户的个性化推荐,商品信息推荐系统在电商领域具有广泛的应用。用户的重复性消费数据是商品信息推荐系统重要的数据之一,购物场景中,用户的静态偏好和购买的产品之间的短期交互影响是两种影响用户重复性行为的关键因素。不同的用户对于同一种产品存在不同的使用时限,而该商品的使用时间也会受到其他购买的商品的影响。传统的推荐工作往往人工的去挖掘、定义不同的特征来对下一时刻用户购买的商品进行预测和推荐,这种方式耗时耗力,挖掘的特征往往不适合最终的推荐任务,此外,这些工作往往假设这些特征是静态的,忽略了用户动态的购物时序信息(购物过程不断买入其他商品的行为)对于预测任务的影响。
技术实现思路
有鉴于此,本专利技术的目的在于提出一种能自动挖掘、定义特征并将静态特征和用户的动态购物时序信息融合,对用户购买的商品做预测并根据该预测结果对用户进行商品信息推荐的方法及电子设备。基于上述目的,本专利技术提供了一种基于特征融合的重复性商品信息推荐方法,包括:定义捕获重复性购物行为的重复性购物规则;定义商品的形状参数,基于所述重复性购物规则,利用威布尔函数建模,得到重复性商品购物周期;基于所述重复性商品购物周期,得到商品的存活函数和危险函数的关系;融合用户的历史购物行为,通过时序模型建模所述形状参数的时序变化,得到重新定义的形状参数;基于所述重新定义的形状参数,改变所述存活函数的计算方式,得到重新定义的危险函数和约束方程;基于所述重新定义的危险函数和所述约束方程,根据训练集挖掘的重复模式构建目标函数,优化所述目标函数,得到预测模型;使用所述预测模型对用户重复性购物行为进行预测,得到预测结果,依据所述预测结果进行商品信息推荐。在一些实施方式中,所述重复性购物规则为:定义1:对于用户u,给定商品集合I={i1,i2…},定义所述用户u的购物历史为:其中表示用户u第n笔交易购买的商品集合,代表用户购买的时间,则定义重复消费模式为如下的格式:表示用户u在ts时刻和te时刻购买了商品i,并且在ts和te之间没有购买i。在一些实施方式中,所述重复性商品购物周期为:其中γi代表商品i的尺度参数,θi代表商品i的形状参数,t代表时间;如果θi=1,所述威布尔函数退化成一个指数函数,如果θi>1,则所述威布尔函数随着时间不断变大,θi<1则所述威布尔函数随着时间不断变小。在一些实施方式中,所述商品的存活函数和危险函数的关系具体为:其中代表危险函数,它表示重复消费模式从ts持续到te然后消逝的概率,代表存活函数,它表示重复消费模式至少能存活te-ts时间的概率。在一些实施方式中,所述时序模型具体为LSTM模型。在一些实施方式中,所述重新定义的形状参数为:其中k为用户的第k笔交易,为通过时序函数建模用户偏好和商品交互影响的融合,为权重参数。在一些实施方式中,所述约束方程具体为:其中Ω为学习参数和权重参数的集合。在一些实施方式中,所述目标函数为:在一些实施方式中,所述优化所述目标函数的过程具体为:通过拉格朗日函数对所述目标函数进行合并求导。此外,本专利技术还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施方式中任意一项所述的方法。从上面所述可以看出,本专利技术提供的一种基于特征融合的重复性商品信息推荐方法及电子设备首次定义了一种重复性关联关系来捕获用户购物历史中的重复购物行为,并通过时序模型对影响用户重复性购物行为的动态因素和静态因素进行融合,构造了离散化的存活函数来建模商品的购买周期,相比于传统预测模型极大的节省了特征挖掘和定义的人力成本,并通过将商品属性、用户偏好和动态的购买记录结合起来分析进行商品信息推荐,使得推荐信息更加高效准确。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他的附图。图1为本专利技术一个实施例的一种基于特征融合的重复性商品信息推荐方法的流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本专利技术进一步详细说明。需要说明的是,本专利技术实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本专利技术实施例的限定,后续实施例对此不再一一说明。推荐系统属于资讯过滤的一种应用,推荐系统首先收集用户的历史行为数据,然后通过预处理的方法得到用户评价矩阵,再利用机器学习领域中相关推荐技术形成对用户的个性化推荐,商品信息推荐系统在电商领域具有广泛的应用。电商领域中用户的重复性消费数据是商品信息推荐系统重要的数据之一,据统计某电商的用户消费行为发现70%的购物行为与重复性购物相关而该现象一直未能被足够重视。购物场景中,用户的静态偏好和购买的产品之间的短期交互影响是两种影响用户重复性行为的关键因素。具体来讲,不同的用户对于同一种产品存在不同的使用时限;而该商品的使用时间也会受到其他购买的商品的影响(购买鞋油能够延长鞋子的使用期限)。传统的工作往往人工的去挖掘、定义不同的特征来对下一时刻用户购买的商品进行预测,这种方式耗时耗力,挖掘的特征往往不适合最终的预测任务,此外,这些工作往往假设这些特征是静态的,忽略了用户动态的购物时序行为(购物过程不断买入的其他商品)对于预测任务的影响。为了解决以上的问题,本专利技术提出一种能自动挖掘、定义特征并将静态特征和用户的动态购物时序信息融合,对用户购买的商品做预测并根据该预测结果对用户进行商品信息推荐的方法及电子设备。为了分析用户购物行为对于商品生命周期的影响,本专利技术设计了分段生存函数替代传统的生存函数,最终定义了一个基于拉格朗日的目标函数来建模用户的重复性消费周期,具体来说,本专利技术将每个商品和用户映射到连续的向量空间,然后用户的购买历史记录通过一个时序模型进行聚合,并将其输入分段生存模型进行再消费预测,最后将预测得到的商品信息个性化推荐给用户。参考图1,本专利技术一个实施例的一种基于特征融合的重复性商品信息推荐方法的流程图。S101:定义捕获重复性购物行为的重复性购物规则:具体的,首先定义重复性购物规则本文档来自技高网...

【技术保护点】
1.一种基于特征融合的重复性商品信息推荐方法,其特征在于,包括:/n定义捕获重复性购物行为的重复性购物规则;/n定义商品的形状参数,基于所述重复性购物规则,利用威布尔函数建模,得到重复性商品购物周期;/n基于所述重复性商品购物周期,得到商品的存活函数和危险函数的关系;/n融合用户的历史购物行为,通过时序模型建模所述形状参数的时序变化,得到重新定义的形状参数;/n基于所述重新定义的形状参数,改变所述存活函数的计算方式,得到重新定义的危险函数和约束方程;/n基于所述重新定义的危险函数和所述约束方程,根据训练集挖掘的重复模式构建目标函数,优化所述目标函数,得到预测模型;/n使用所述预测模型对用户重复性购物行为进行预测,得到预测结果,依据所述预测结果进行商品信息推荐。/n

【技术特征摘要】
20190515 CN 20191040792651.一种基于特征融合的重复性商品信息推荐方法,其特征在于,包括:
定义捕获重复性购物行为的重复性购物规则;
定义商品的形状参数,基于所述重复性购物规则,利用威布尔函数建模,得到重复性商品购物周期;
基于所述重复性商品购物周期,得到商品的存活函数和危险函数的关系;
融合用户的历史购物行为,通过时序模型建模所述形状参数的时序变化,得到重新定义的形状参数;
基于所述重新定义的形状参数,改变所述存活函数的计算方式,得到重新定义的危险函数和约束方程;
基于所述重新定义的危险函数和所述约束方程,根据训练集挖掘的重复模式构建目标函数,优化所述目标函数,得到预测模型;
使用所述预测模型对用户重复性购物行为进行预测,得到预测结果,依据所述预测结果进行商品信息推荐。


2.根据权利要求1所述的一种基于特征融合的重复性商品信息推荐方法,其特征在于,所述重复性购物规则为:
定义1:对于用户u,给定商品集合I={i1,i2…},定义所述用户u的购物历史为:



其中表示用户u第n笔交易购买的商品集合,代表用户购买的时间,则定义重复消费模式为如下的格式:




表示用户u在ts时刻和te时刻购买了商品i,并且在ts和te之间没有购买i。


3.根据权利要求2所述的一种基于特征融合的重复性商品信息推荐方法,其特征在于,所述重复性商品购物周期为:



其中γi代表商品i的尺度参数,θi代表商品i的形状参数,t代表时间;如果θi=1,所述威布尔函数...

【专利技术属性】
技术研发人员:王鹏飞牛树梓
申请(专利权)人:北京邮电大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 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。

1