本发明专利技术公开了一种基于规则学习网络的商品推荐方法，包括：选取推荐数据集，并对推荐数据集中的特征进行预处理；将预处理完成的特征进行分组，分别输入三个规则模型塔中进行学习；每个规则模型塔分别输出学习到的规则向量后，在网络上层对三个规则模型塔输出的规则向量进行拼接；将用户和物品id做嵌入后拼接，输入具有一个隐层的神经网络，将这个神经网络的输出作为拼接规则向量的权重，相乘后得到预测的点击概率，最终得到用户对该商品的预测评分和推荐理由。本发明专利技术解决了原本在规则学习网络中无法使用embedding的问题，在完成对用户推荐物品的同时还给出推荐理由，在模型层面具有可解释性，解决了推荐领域中深度神经网络的黑盒问题。盒问题。盒问题。
【技术实现步骤摘要】
一种基于规则学习网络的商品推荐方法及推荐系统
[0001]本专利技术属于推荐系统
，涉及一种基于规则学习网络的商品推荐方法及推荐系统，能够基于规则学习网络推荐用户最感兴趣的K件商品展示给用户并给出推荐理由。
技术介绍
[0002]近年来，依靠强大的数学建模能力和计算机算力的巨大提升，机器学习，特别是深度学习，成为决策系统的主要范式。决策系统也在金融、医学、政治和法律等重要领域有着广泛的应用。在推荐系统领域，深度学习的应用更为广泛。在短时间内工业界就完成了从传统的协同过滤、矩阵分解算法到基于深度学习的推荐模型的转变。不论是在电商还是短视频娱乐或是搜索的应用场景下，推荐都是其中至关重要的一环。电商厂家希望用户在他们的平台产生更多消费，短视频或者内容生产平台希望用户在其应用中停留更多时间，从而产生广告的收益，而不论是内容还是广告对于用户的呈现方式，依然离不开推荐。
[0003]然而对于基于深度神经网络的推荐系统来说，仍然无法对产生的推荐结果进行解释。
技术实现思路
[0004]为了解决现有技术存在的不足，本专利技术的目的是提供一种基于规则学习网络的商品推荐方法及推荐系统，通过使用规则学习网络推荐用户最感兴趣的K件商品并给出推荐理由。
[0005]本专利技术首先获取用户物品特征，对高维特征进行预处理，对连续特征离散化，离散特征one
‑
hot化。
[0006]本专利技术将这部分预处理好的特征分为三部分，分别输入三个规则模型塔中进行学习，三个规则模型塔分别输入：用户侧特征、物品侧特征以及用户侧特征加物品侧特征；每个规则模型塔分别输出学习到的规则向量后，在网络上层对三塔输出的规则向量进行拼接。
[0007]同时将用户和物品id做嵌入后拼接，输入两层全连接层得到输出，将这个神经网络的输出作为拼接规则向量的权重，所述规则向量权重与拼接规则向量相乘，最终得到用户对该商品的预测点击概率和推荐理由。本专利技术结合规则学习网络并解决了原本在规则学习网络中无法使用嵌入embedding的问题，在完成对用户推荐物品的同时还给出推荐理由，在模型层面具有可解释性，解决了推荐领域中深度神经网络的黑盒问题。
[0008]本专利技术提出的规则学习推荐方法，包括以下步骤：
[0009]第一步，选取推荐数据集，并对推荐数据集中的特征数据进行预处理；
[0010]第二步，将预处理好的特征进行分组，分别将用户侧特征、物品侧特征、用户侧特征加物品侧特征输入用户塔、物品塔、用户物品塔中；
[0011]第三步，将三个规则模型塔得到的输出进行拼接得到新的规则向量，输入一层规则层学习高维规则间交互；
[0012]第四步，将用户、物品id通过嵌入拼接后得到的向量的经过两层全连接层后得到输出向量；
[0013]第五步，利用第四步得到的输出向量作为规则层输出拼接规则向量的权重，与拼接规则向量相乘后得到预测的点击概率，并通过中序遍历获得推荐理由。
[0014]本专利技术中，所述推荐数据包括但不限于movielens、淘宝以及其他推荐数据集上的数据。
[0015]所述第一步中，特征数据预处理是指：1)获取用户物品特征，对高维特征进行预处理，将高维特征根据类别点击次数进行划分，在同一点击次数范围内的特征归为同一类；在此步骤中对高维特征进行降维，可以防止下述3)步骤中对离散特征进行one
‑
hot操作后特征矩阵过于稀疏，便于网络学习；
[0016]2)对连续特征离散化，通过随机选取的上下界，将连续型特征划分为若干个能用大于小于某个上下界表示的离散特征；
[0017]3)将所有的离散特征one
‑
hot化，并拼接作为模型输入。
[0018]1)中，所述高维特征是指商品类别，商品品牌；所述高维特征的类别包括极小众商品类别、小众商品类别、小众品牌，其他不属于这三个类别和品牌的商品，保持自己原有的类别和品牌信息；对于商品类别特征阈值设置：该商品类别点击次数小于或等于100的为极小众商品类别、该商品类别点击次数小于或等于500且大于100的为小众商品类别、该商品类别被点击次数大于500时则保留原有类别信息；对于商品品牌特征阈值设置：该商品品牌被点击次数小于或等于500的为小众品牌、该商品品牌被点击次数大于500则保留原有品牌信息；同时保证单个特征维度不超过200维。
[0019]2)中，所述连续特征是指类似于用户年龄、商品价格、电影年份等具有连续值的信息。
[0020]所述第二步中，将预处理好的特征分别输入包括用户塔、物品塔、用户物品塔的三个规则模型塔中，每个规则模型塔都有若干个规则层，每个规则层有“逻辑与”和“逻辑或”节点分别学习与、或规则；具体来说：
[0021]将用户侧特征输入用户塔学习用户自身特征间的交互，将物品侧特征输入物品塔学习物品特征间的交互，将用户和物品特征同时输入用户物品塔学习用户物品间的特征交互。
[0022]所述第三步中，规则层的具体表示如下：
[0023]一层规则层中有数目相同的与节点和或节点，与节点和前一层的节点相连表示为与规则，或节点与前一层的节点相连表示为或规则；
[0024]规则学习过程中，输入为N*1向量，其中N为对连续特征离散化，离散特征one
‑
hot化后的拼接长度；
[0025]与节点激活函数：
[0026][0027]或节点激活函数：
[0028][0029]其中，h表示当前层的所有节点，W
t
为当前层的权重，h
j
为当前层网络的第j个节点值，W
tj
为h
j
对应的边权，J为总节点数量，F
c
(h,w)＝1
‑
w(1
‑
h)，F
d
(h,w)＝h
·
w。在前向传播时，就可以通过上述公式分别计算下一层与节点和或节点的值。
[0030]所述第四步中，将用户和物品id做嵌入后拼接得到的新向量输入包含一个隐层的两层神经网络中，得到的输出作为拼接规则向量的权重，具体表示为：
[0031][0032]其中，e
u
为用户的嵌入，e
i
为物品id的嵌入，和分别表示全连接层第一层和第二层的权重，ReLU和tanh是激活函数；
[0033]所述第五步中，所述规则向量权重与拼接规则向量相乘后得到预测的点击概率，即：
[0034][0035]其中，o
ui
为规则层输出向量，为规则层输出向量的权重，为最终的预测点击概率。
[0036]在本专利技术实现过程中，还需要使用中序遍历自底向上对规则模型塔的节点进行遍历，和与节点相连的特征和规则组成与规则，和或节点相连的特征和规则组成或规则，遍历完整个规则模型塔中的所有节点后就得到推荐规则，得到推荐规则的过程和模型推理过程保持一致。
[0037]模型推理过程为对输本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于规则学习网络的商品推荐方法，其特征在于，所述方法包括如下步骤：步骤一、选取推荐数据集，并对所述推荐数据集中的特征数据进行预处理；步骤二、将预处理完成的特征进行分组，分别输入三个规则模型塔中进行学习，所述三个规则模型塔分别输入：用户侧特征、物品侧特征以及用户侧特征加物品侧特征；步骤三、每个规则模型塔分别输出学习到的规则向量后，在网络上层对三个规则模型塔输出的规则向量进行拼接；步骤四、将用户和物品id做嵌入后拼接，输入具有一个隐层的神经网络，将这个神经网络的输出作为拼接规则向量的权重，所述规则向量权重与拼接规则向量相乘后得到预测的点击概率，迭代训练，最终得到系统对用户对该商品的点击概率预测和推荐理由。2.根据权利要求1所述的商品推荐方法，其特征在于，步骤一中，所述预处理操作包括：步骤1.1、从所述推荐数据集中获取用户物品特征，对高维特征进行预处理降维，将高维特征根据类别点击次数进行划分，在同一点击次数范围内的特征归为同一类；步骤1.2、对连续特征离散化，通过随机选取的上下界，将连续型特征划分为若干个随机选取的上下界范围内的离散特征；步骤1.3、将所有的离散特征one
‑
hot化，并拼接作为模型输入。3.根据权利要求2所述的商品推荐方法，其特征在于，步骤1.1中，所述高维特征是指商品类别，商品品牌；所述高维特征的类别包括极小众商品类别、小众商品类别、小众品牌，其他不属于这三个类别和品牌的商品，保持自己原有的类别和品牌信息；对于商品类别特征阈值设置：该商品类别点击次数小于或等于100的为极小众商品类别、该商品类别点击次数小于或等于500且大于100的为小众商品类别、该商品类别被点击次数大于500时则保留原有类别信息；对于商品品牌特征阈值设置：该商品品牌被点击次数小于或等于500的为小众品牌、该商品品牌被点击次数大于500则保留原有品牌信息；同时保证单个特征维度不超过200维。4.根据权利要求2所述的商品推荐方法，其特征在于，步骤1.2中，所述连续特征是指具有连续值的信息，包括用户年龄、商品价格、电影年份。5.根据权利要求1所述的商品推荐方法，其特征在于，步骤二中，每个规则模型塔都有若干个规则层，每个规则层有“逻辑与”和“逻辑或”节点分别学习与、或规则；所述用户侧特征用于学习用户特征交互，所述物品侧用于学习物品特征交互，所述用户侧特征加物品侧特征用于学习用户和物品特征间的交互。6.根据权利要求5所述的商品推荐方法，其特征在于，所述规则的学习方法如下：(1)输入为N*1向...
【专利技术属性】
技术研发人员：张伟，严俊冰，王焯，王建勇，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：
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。