一种商品推荐方法、系统及设备技术方案

本发明专利技术实施例提供了一种商品推荐方法、系统及设备，涉及计算机应用技术领域，其中，方法可以包括：获取用户的历史交互行为信息；历史交互行为信息包括用户在历史时间内与商品的交互行为；基于历史交互行为信息，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，确定用户的用户特征信息；确定多个商品的商品特征信息；将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率；交互概率表示用户选择与商品交互的概率；基于交互概率为用户推荐商品。通过本发明专利技术实施例提供的商品推荐方法、系统及设备，能够提高推荐的准确性。

【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。第二方面，本专利技术实施例提供了一种商品推荐系统，包括：获取模块，用于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；第一确定模块，用于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；第二确定模块，用于确定多个商品的商品特征信息；预测模块，用于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；推荐模块，用于基于所述交互概率为所述用户推荐商品。第三方面，本专利技术实施例提供了一种商品推荐设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。本专利技术实施例有益效果：本专利技术实施例提供的商品推荐方法、系统及设备，在确定用户的用户特征信息过程中，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，同时，确定多个商品的商品特征信息，并将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率，基于交互概率为用户推荐商品。如此，能够提高推荐的准确性。当然，实施本专利技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。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实施例。图1为本专利技术实施例提供的商品推荐方法的流程图；图2为本专利技术实施例中确定用户特征信息的流程示意图；图3为本专利技术实施例中的时间异质交互图的示意图；图4为本专利技术实施例提供的具体实施例的流程示意图；图5(a)为本专利技术实施例中的一种变体实验效果示意图；图5(b)为本专利技术实施例中的另一种变体实验效果示意图；图5(c)为本专利技术实施例中的又一种变体实验效果示意图；图6(a)为本专利技术实施例中一种短期交互作用影响分析效果图；图6(b)为本专利技术实施例中另一种短期交互作用影响分析效果图；图6(c)为本专利技术实施例中又一种短期交互作用影响分析效果图；图7(a)为本专利技术实施例中一种长期交互作用影响分析效果图；图7(b)为本专利技术实施例中另一种长期交互作用影响分析效果图；图7(c)为本专利技术实施例中又一种长期交互作用影响分析效果图；图8(a)为本专利技术实施例中交互行为影响的一种影响分析示意图；图8(b)为本专利技术实施例中交互行为影响的另一种影响分析示意图；图8(c)为本专利技术实施例中交互行为影响的又一种影响分析示意图；图9(a)为本专利技术实施例中头的数量对性能的一种影响分析示意图；图9(b)为本专利技术实施例中头的数量对性能的另一种影响分析示意图；图9(c)为本专利技术实施例中头的数量对性能的又一种影响分析示意图；图10为本专利技术实施例提供的商品推荐系统的结构示意图；图11为本专利技术实施例提供的商品推荐设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在商品推荐任务中，现有方法试图通过捕获交互序列的演化来建模用户需求，然而，它们的表达往往是受限的，只考虑单一的交互行为而忽视了购买、收藏、点击、加入购物车等多种交互行为之间的影响，且孤立地建模短期需求而不能刻画用户历史兴趣。另外，现有序列模型同时也忽略了用户和商品之间多种交互行为所包含的丰富的异质结构信息。不同用户和商品之间存在关联，如李华和张三购买和加入收藏的S2不能用单独的交互序列来显式建模。更重要的是，还存在异质类型的丰富用户项交互，如“点击”、“收藏”、“购买”和“加入购物车”。在“购买”和“加入购物车”的交互中，李华喜欢B2品牌的商品；在各种交互中，S2更受男孩的欢迎。为了提高推荐的准确性，更能满足用户的需求，本专利技术实施例提供了一种商品推荐方法。下面对本专利技术实施例提供的商品推荐方法进行详细说明。本专利技术实施例提供的商品推荐方法可以应用于电子设备，具体地，电子设备可以为终端，如个人电脑，手机，等等。本专利技术实施例提供了一种商品推荐方法，如图1所示，可以包括：S101，获取用户的历史交互行为信息；历史交互行为信息包括用户在历史时间内与商品的交互行为；S102，基于历史交互行为信息，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，确定用户的用户特征信息；S103，确定多个商品的商品特征信息；S104，将用户特征信息和多个商品的商品特征信息输入预先训练好的预本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：石川，吉余岗，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11