【技术实现步骤摘要】
一种商品推荐方法、系统及设备
本专利技术涉及计算机应用
,特别是涉及一种商品推荐方法、系统及设备。
技术介绍
随着电子商务的普及,近年来购物方式发生了革命性的变化。推荐系统在电子商务中扮演着重要的角色,通过对历史用户-商品交互建模学习用户和商品的表示。以在下一商品推荐任务中,预测用户在下一时间实例中待交互的商品,不仅可以满足电子商务的业务需求,而且可以提高用户体验。现有商品推荐方法,获取用户一段时间内的交互序列,统计交互序列中用户与各个商品的交互次数,根据交互次数预测用户待交互的商品,并将该预测的商品推荐给用户,如将交互次数最多的交互序列中用户所交互的商品作为用户待交互的商品。但是,随着时间的变化,用户的需求有可能是变化的,现有商品推荐方法会使得推荐的准确性较低。
技术实现思路
本专利技术实施例的目的在于提供一种商品推荐方法、系统及设备,以提高推荐的准确性。具体技术方案如下:第一方面,本专利技术实施例提供了一种商品推荐方法,包括:获取用户的历史交互行为信息;所述历史交互行为信息包括所述用户在历史时间内与商品的交互行为;基于所述历史交互行为信息,结合用户习惯对用户需求的影响以及不同交互行为之间的影响,确定所述用户的用户特征信息;确定多个商品的商品特征信息;将所述用户特征信息和多个商品的所述商品特征信息输入预先训练好的预测模型,得到所述用户分别与各个商品的交互概率;其中,所述预测模型基于多个用户特征信息样本和商品特征信息样本训练得到;所述交互概率表 ...
【技术保护点】
1.一种商品推荐方法,其特征在于,包括:/n获取用户的历史交互行为信息;所述历史交互行为信息包括所述用户在历史时间内与商品的交互行为;/n基于所述历史交互行为信息,结合用户习惯对用户需求的影响以及不同交互行为之间的影响,确定所述用户的用户特征信息;/n确定多个商品的商品特征信息;/n将所述用户特征信息和多个商品的所述商品特征信息输入预先训练好的预测模型,得到所述用户分别与各个商品的交互概率;其中,所述预测模型基于多个用户特征信息样本和商品特征信息样本训练得到;所述交互概率表示所述用户选择与所述商品交互的概率;/n基于所述交互概率为所述用户推荐商品。/n
【技术特征摘要】
1.一种商品推荐方法,其特征在于,包括:
获取用户的历史交互行为信息;所述历史交互行为信息包括所述用户在历史时间内与商品的交互行为;
基于所述历史交互行为信息,结合用户习惯对用户需求的影响以及不同交互行为之间的影响,确定所述用户的用户特征信息;
确定多个商品的商品特征信息;
将所述用户特征信息和多个商品的所述商品特征信息输入预先训练好的预测模型,得到所述用户分别与各个商品的交互概率;其中,所述预测模型基于多个用户特征信息样本和商品特征信息样本训练得到;所述交互概率表示所述用户选择与所述商品交互的概率;
基于所述交互概率为所述用户推荐商品。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史交互行为信息,结合用户习惯对用户需求的影响以及不同交互行为之间的影响,确定所述用户的用户特征信息,包括:
基于所述历史交互行为信息,计算所述用户的长期偏好行为信息;
从所述历史交互行为信息中选择部分行为信息,所述部分行为包括当前时间之前的预设时间范围的部分时间所对应行为的信息;
基于所述部分行为信息以及所述长期偏好行为信息,计算所述用户的短期偏好行为信息;
将所述长期偏好行为信息和所述短期偏好行为信息结合,得到所述用户的用户特征信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述历史交互行为信息,计算所述用户的长期偏好行为信息,包括:
针对各个类型的交互行为,将相同类型的交互行为进行聚合,得到所述类型对应的偏好行为信息;
利用注意力机制,建立不同类型的所述偏好行为信息之间的关联关系,得到所述用户的长期偏好行为信息。
4.根据权利要求2所述的方法,其特征在于,所述基于所述部分行为信息以及所述长期偏好行为信息,计算所述用户的短期偏好行为信息,包括:
基于所述部分行为信息,通过门控递归单元GRU,得到短期需求信息;
利用习惯引导的注意力机制,结合所述短期需求信息和所述长期偏好行为信息,得到所述短期偏好行为信息。
5.根据权利要求3所述的方法,其特征在于,所述针对各个类型的交互行为,将相同类型的交互行为进行聚合,得到所述类型对应的偏好行为信息,包括:
通过公式将相同类型的交互行为进行聚合,得到所述类型对应的偏好行为信息;
其中,所述表示r交互关系对应的用户u的所述偏好行为信息,σ表示激活函数,表示商品vi在ti时刻的时序特征表示,表示交互关系映射矩阵,表示矩阵元素为实数的实数矩阵,d×2d表示矩阵的维度,d表示输出向量的维度,AGGREGATE()表示信息聚合操作,n表示长期兴趣行为的长度,i表示交互行为的标识;
所述利用注意力机制,建立不同类型的所述偏好行为信息之间的关联关系,得到所述用户的长期偏好行为信息,包括:
通过公式建立不同类型的所述偏好行为信息之间的关联关系,得到所述用户的长期偏好行为信息
其中,W(L)表示映射权重,bl表示偏置参数,表示联合操作,da表示映射矩阵的维度,d表示输出向量的维度,表示交互行为的类型的集合,r′、r″表示中的元素,表示交...
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。