用于使用分层贝叶斯的个性化产品推荐的系统及方法技术方案

一种用于产品推荐的方法及系统。该方法包括：由计算设备定义具有潜在因素的分层贝叶斯模型；由计算设备使用多个训练事件来训练分层贝叶斯模型，以获得经训练的分层贝叶斯模型，每个事件包括产品的特征、产品的品牌、用户的特征、以及用户对于产品的动作；由计算设备使用经训练的分层贝叶斯模型来预测目标用户执行关于目标产品的动作的概率；以及基于所述概率向目标用户提供产品推荐。

System and method of personalized product recommendation using hierarchical Bayes

【技术实现步骤摘要】
用于使用分层贝叶斯的个性化产品推荐的系统及方法交叉引用在本公开的描述中引用和讨论了一些参考文献，其可包括专利、专利申请和各种出版物。提供对这些参考文献的引用和/或讨论仅仅是为了阐明本公开的描述，而不是承认任何这样的参考文献是本文所述公开的“现有技术”。本说明书中引用和讨论的所有参考文献均以引用的方式整体并入本文，其程度如同每篇参考文献被单独并入作为参考。
本公开总体涉及个性化和准确的产品推荐，并且更具体地涉及用于使用多层贝叶斯模型的服装产品推荐的系统及方法。
技术介绍
本文提供的背景描述用于总体呈现本公开的上下文的目的。在本
技术介绍
部分中描述的范围内目前指定的专利技术人的工作以及在提交时可能另外不具有资格作为现有技术的描述的各方面，既不明示也不暗示地被承认为本公开的现有技术。电子商务已经经历多年的超增长，可以获得用于向目标用户提供特定产品推荐的多种推荐方法，以增加电子商务平台的销量。最受好评的推荐算法采用扁平分层结构或忽略分层。扁平分层结构不仅增大整个特征空间，还在训练推荐模型时引入噪声。但是完全忽略分层导致推荐不准确。本文档来自技高网...

【技术保护点】
1.一种用于产品推荐的方法，包括：/n由计算设备定义具有潜在因素的分层贝叶斯模型；/n由所述计算设备使用多个训练事件来训练所述分层贝叶斯模型，以获得经训练的分层贝叶斯模型，每个事件包括产品的特征、产品的品牌、用户的特征、以及用户对于产品的动作；/n由所述计算设备使用所述经训练的分层贝叶斯模型来预测目标用户执行关于目标产品的动作的概率；以及/n基于所述概率向所述目标用户提供产品推荐。/n

【技术特征摘要】
20190213 US 16/274,4681.一种用于产品推荐的方法，包括：
由计算设备定义具有潜在因素的分层贝叶斯模型；
由所述计算设备使用多个训练事件来训练所述分层贝叶斯模型，以获得经训练的分层贝叶斯模型，每个事件包括产品的特征、产品的品牌、用户的特征、以及用户对于产品的动作；
由所述计算设备使用所述经训练的分层贝叶斯模型来预测目标用户执行关于目标产品的动作的概率；以及
基于所述概率向所述目标用户提供产品推荐。


2.根据权利要求1所述的方法，其中，定义所述分层贝叶斯模型的步骤是通过以下操作执行的：
将事件t定义为四元组(Xt，bt，ut，yt)，其中，Xt表示事件t的与产品相关联的特征，bt是所述产品的品牌，ut是与事件t相关联的用户，以及yt是与事件t相关联的用户动作的概率；
定义超参数αw、βw、αs、βs、αb、βb、αu、βu和γ，其中，在所述分层贝叶斯模型的初始化期间，αw＝βw＝αs＝βs＝αb＝βb＝αu＝βu＝0，γ＝1/S，以及S是预先确定的样式总数；
定义方差参数δw、δs、δb和δu，其中，超参数αw和βw确定方差参数δw，αs和βs确定方差参数δs，αb和βb确定方差参数δb，以及αu和βu确定方差参数δu；
定义用户k的用户变量Uk，Uk具有形式的多变量高斯先验，k是从1到U的正整数，以及I是单位矩阵；
定义具有形式的多变量高斯先验的权重变量w；
定义样式j的样式变量Sj，Sj具有形式的多变量高斯先验，j是从1到S的正整数；
将品牌i的样式比例分布θ定义为狄利克雷分布Dir(γ)，i是1至B的范围中的正整数；
将品牌i的样式分配变量Zi定义为多项式函数Mult(θ)，其中，品牌i的样式分配变量Zi在与品牌i的样式Sp相对应的位置p具有值1：
定义品牌i的品牌变量Bi，Bi具有形式的多变量高斯先验；以及
将用户动作变量yt定义为伯努利分布，其中，对于每个事件t，用户动作yt的概率被定义为


3.根据权利要求2所述的方法，其中，所述用户动作是对产品的电子商务网页的点击。


4.根据权利要求2所述的方法，其中，B处于30-1000的范围中，以及S处于2-10的范围中。


5.根据权利要求4所述的方法，其中，B是大约200，以及S是大约4-7。


6.根据权利要求2所述的方法，其中，事件t的用户动作yt的概率是通过以下计算的：



其中，σ(·)是标准logistic函数，是Xt的矢量转置，表示在分层贝叶斯中针对用户ut编码的用户特定的信息，以及表示品牌特定的信息。


7.根据权利要求6所述的方法，其中，样式比例分布θ的狄利克雷分布是通过以下定义的：





8.根据权利要求7所述的方法，其中，品牌变量Bi是通过以下定义的：



其中，zi，j是zi的第j个元素，是指示函数，如果语句ξ为真，则而如果语句ξ为假，则


9.根据权利要求2所述的方法，其中，给定超参数下的数据集合潜在变量Z和参数Θ的对数联合似然是通过以下定义的：



其中，Θ被用于表示所有的模型参数：
Θ＝{{Uk}，{Bi}，{Sj}，w，θ，δu，δb，δs，δw}，且k∈{1，...，U}、i∈{1，...，B}、j∈{1，...，S}。


10.根据权利要求9所述的方法，其中，训练所述分层贝叶斯模型的步骤包括：使用以下变分贝叶斯近似来求解方程(2)：





11.根据权利要求10所述的方法，其中，训练所述分层贝叶斯模型的步骤还包括：使用以下Sigmoid近似来求解所述变分贝叶斯近似：





12.根据权利要求1所述的方法，其中，预测步骤的输入包括：目标产品的特征、目标产品的品牌、以及目标用户的特征。


13.根据权利要求1所述的方法，其中...

【专利技术属性】
技术研发人员：徐哲轩，包勇军，
申请(专利权)人：北京京东尚科信息技术有限公司，京东美国科技公司，
类型：发明
国别省市：北京;11