一种面向社交电商用户的个性化推荐方法技术

本发明专利技术提供一种面向社交电商用户的个性化推荐方法，包括：S1)初始特征生成；S2)用户‑商品交互特征提取：在曝光过程中不断调整特征取值，曝光后点击和下单视为正向操作，曝光后未点击视为负向操作，每次曝光推荐之后对用户特征进行更新；S3)推荐列表生成：基于用户对商品的下单概率生成推荐列表。本发明专利技术的技术方案考虑到用户特征的时变特性，引入遗忘因子以区分近期内用户偏好对商品推荐不同程度的影响，同时截断离当前时刻较长时间的用户操作数据，使得模型能更好地跟随用户偏好的变化。

A personalized recommendation method for social e-commerce users

The invention provides a personalized recommendation method for social e-commerce users, which includes: S1) initial feature generation; S2) user \u2011 commodity interactive feature extraction: continuously adjusting feature value during the exposure process, clicking and ordering after exposure are regarded as positive operation, clicking without exposure is regarded as negative operation, and user features are updated after each exposure recommendation; S3) recommendation list generation : generate recommendation list based on user's order probability for goods. The technical scheme of the invention takes into account the time-varying characteristics of user characteristics, introduces forgetting factor to distinguish the influence of user preferences on commodity recommendation in the near future, and truncates user operation data for a long time from the current time, so that the model can better follow the change of user preferences.

【技术实现步骤摘要】
一种面向社交电商用户的个性化推荐方法
本专利技术涉及推荐系统
，尤其涉及一种面向社交电商用户的个性化推荐方法。
技术介绍
现有推荐方法通常统计一个时间段内的用户操作数据，只能反映用户在某一个时间内的偏好。在社交电商领域，用户的偏好是随着其客户的变化而随时变化的，仅以时间段划分数据，不能跟随用户的偏好变化。在社交电商中，代购用户所采购的商品取决于其客户群体需求，因此相对于传统电商推荐系统，社交电商用户的采购偏好是动态变化，需要不断进行自适应调整。
技术实现思路
本专利技术为了解决社交电商中对用户进行精准营销的问题，提出了一种面向社交电商用户的个性化推荐方法。为解决上述技术问题，本专利技术的技术方案是：一种面向社交电商用户的个性化推荐方法，包括以下步骤：S1)初始特征生成，包括采集商品信息，生成商品特征；采集用户信息信息，采用以下公式生成用户偏好特征：其中，u表示用户偏好特征，w为遗忘因子，取值0到1，d为时间，p为商品信息；S2)用户-商品交互特征提取：在曝光过程中不断调整特征取值，曝光后点击和下单视为正向操作，曝光后未点击视为负向操作，每次曝光推荐之后对用户偏好特征进行更新；S3)推荐列表生成：基于用户对商品的下单概率生成推荐列表。上述技术方案中，用户偏好特征为购买过、点击过商品信息的累积，时间越长，因为遗忘因子是小于1的，商品信息对用户特征的贡献越小，对时间较长的用户操作过的商品信息可以进行截断。上述技术方案中，所述用户信息包括近期用户购买商品的价格信息、点击过的商品信息及购买商品的品类信息，从而生成用户购买价格偏好、点击价格偏好及购买品类偏好特征。上述技术方案中，所述步骤S2)采用以下公式更新用户偏好特征：u(i)＝u(i)0+λP(k)其中，u表示用户特征，λ为操作权重，其中曝光后下单和点击为正值，曝光后未点击为负值，P为曝光商品信息。上述技术方案中，步骤S3)分别采用LGBM、XGBOOST、RF和LR算法计算用户对商品的下单概率，最后将四个模型进行加权融合，根据融合后的AUC，求得最优的组合权重。上述技术方案中，为了增大模型之间的差异性，引入了线性模型LogisticRegress，即LR算法。上述技术方案中，利用融合模型计算用户对所有商品的下单概率，下单概率大的商品在推荐列表中相对靠前。上述技术方案中，还包括以下步骤：S4)抓取用户操作数据，更新交互特征。本专利技术的技术方案具有以下有益效果：1、考虑到用户特征的时变特性，引入遗忘因子以区分近期内用户偏好对商品推荐不同程度的影响，同时截断离当前时刻较长时间的用户操作数据，使得模型能更好地跟随用户偏好的变化。2、推荐系统使用过程中，用户在实时产生数据，而用户偏好特征群是基于数据统计而得的，为了开发实时数据的价值，引入了操作权重，用户在推荐系统中的每次正向/负向操作都能导致其偏好特征正向/负向漂移。使得推荐系统在利用用户实时信息的同时，不需要对偏好特征进行重复的统计分析，提高计算效率。3、在预测用户下单概率时，进行了多种模型融合，降低模型过拟合风险，减小模型预测方差。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性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术技术方案的整体步骤示意图。具体实施方式如图1所示，本专利技术提出了一种面向社交电商用户的个性化推荐方法，包括以下步骤：S1)初始特征生成，包括采集商品信息，生成商品特征；采集用户信息信息，采用以下公式生成用户偏好特征：其中，u表示用户偏好特征，w为遗忘因子，取值0到1，d为时间，p为商品信息；S2)用户-商品交互特征提取：在曝光过程中不断调整特征取值，曝光后点击和下单视为正向操作，曝光后未点击视为负向操作，每次曝光推荐之后对用户特征进行更新；S3)推荐列表生成：基于用户对商品的下单概率生成推荐列表。上述技术方案中，用户偏好特征为购买过、点击过商品信息的累积，时间越长，因为遗忘因子是小于1的，商品信息对用户特征的贡献越小，对时间较长的用户操作过的商品信息可以进行截断。上述技术方案中，所述用户信息包括近期用户购买商品的价格信息、点击过的商品信息及购买商品的品类信息，从而生成用户购买价格偏好、点击价格偏好及购买品类偏好特征。上述技术方案中，所述步骤S2)采用以下公式更新用户偏好特征：u(i)＝u(i)0+λP(k)其中，u表示用户特征，λ为操作权重，其中曝光后下单和点击为正值，曝光后未点击为负值，P为曝光商品信息。上述技术方案中，步骤S3)分别采用LGBM、XGBOOST、RF和LR算法计算用户对商品的下单概率，最后将四个模型进行加权融合，根据融合后的AUC，求得最优的组合权重。上述技术方案中，为了增大模型之间的差异性，引入了线性模型LogisticRegress，即LR算法。上述技术方案中，利用融合模型计算用户对所有商品的下单概率，下单概率大的商品在推荐列表中相对靠前。上述技术方案中，还包括以下步骤：S4)抓取用户操作数据，更新交互特征。本领域技术人员可以理解，本专利技术采用推荐商品过滤规则：在不进行推荐商品过滤的情况下，每个用户的商品列表长度等于商品的数量，商品数量众多，导致算法的可行性不高。因此，可以根据商品的库存量、商品上线时间、商品热度以及商品评价等信息对推荐商品进行筛选。虽然新用户没有基本偏好特征，但可以基于用户基本属性对偏好特征进行填充，比如在训练集中筛选和新用户同地域、同性别、同行业的人群偏好特征均值进行填充，新用户进入推荐系统后会迅速产生用户-商品交互特征，因此推荐算法可以快速定位用户偏好信息，并进行合理的商品推荐。本专利技术的技术方案考虑到用户特征的时变特性，引入遗忘因子以区分近期内用户偏好对商品推荐不同程度的影响，同时截断离当前时刻较长时间的用户操作数据，使得模型能更好地跟随用户偏好的变化。在本专利技术技术方案推荐系统使用过程中，用户在实时产生数据，而用户偏好特征群是基于数据统计而得的，为了开发实时数据的价值，引入了操作权重，用户在推荐系统中的每次正向/负向操作都能导致其偏好特征正向/负向漂移。使得推荐系统在利用用户实时信息的同时，不需要对偏好特征进行重复的统计分析，提高计算效率。本专利技术的技术方案，在预测用户下单概率时，进行了多种模型融合，降低模型过拟合风险，减小模型预测方差。以上显示和描述了本专利技术的基本原理、主要特征及本专利技术的优点。本行业的技术人员应该了解，本专利技术不受上述实施例的限制，上述实施例和说明书中描述的只本文档来自技高网...

【技术保护点】
1.一种面向社交电商用户的个性化推荐方法，其特征在于，包括以下步骤：/nS1)初始特征生成，包括/n采集商品信息，生成商品特征；/n采集用户信息信息，采用以下公式生成用户偏好特征：/n

【技术特征摘要】
1.一种面向社交电商用户的个性化推荐方法，其特征在于，包括以下步骤：
S1)初始特征生成，包括
采集商品信息，生成商品特征；
采集用户信息信息，采用以下公式生成用户偏好特征：



其中，u表示用户偏好特征，w为遗忘因子，取值0到1，d为时间，p为商品信息；
S2)用户-商品交互特征提取：在曝光过程中不断调整特征取值，曝光后点击和下单视为正向操作，曝光后未点击视为负向操作，每次曝光推荐之后对用户偏好特征进行更新；
S3)推荐列表生成：基于用户对商品的下单概率生成推荐列表。


2.根据权利要求1所述的一种面向社交电商用户的个性化推荐方法，其特征在于：
所述用户信息包括近期用户购买商品的价格信息、点击过的商品信息及购买商品的品类信息，从而生成用户购买价格偏好、点击价格偏好及购买品类偏好特征。


3.根据权利要求1所述的一种面向社交电商...

【专利技术属性】
技术研发人员：张发恩，陈斌斌，周鹏程，
申请(专利权)人：创新奇智青岛科技有限公司，
类型：发明
国别省市：山东;37