一种基于长短期兴趣的电商平台会话感知推荐预测方法技术

本发明专利技术属于互联网应用技术领域，具体涉及一种基于长短期兴趣的电商平台会话感知推荐预测方法，包括获取在线数据，数据包括用户的基本信息、物品的基本信息以及用户行为的会话序列；通过获取的在线数据，提取用户行为和用户偏好，并构建用户长期兴趣集；通过兴趣匹配从用户长期兴趣集中获取用户在当前阶段的短期兴趣；构建预测模型，将用户在一个会话的点击序列，即物品输入，以及用户在当前阶段的短期兴趣作为输入，预测模型输出预测物品并进行推荐；本发明专利技术不仅能够有效挖掘用户行为序列中的用户长短期兴趣信息，更精确的表达用户兴趣偏好，同时能够提升电商平台的推荐准确性。同时能够提升电商平台的推荐准确性。同时能够提升电商平台的推荐准确性。

【技术实现步骤摘要】
一种基于长短期兴趣的电商平台会话感知推荐预测方法


[0001]本专利技术属于互联网应用
，具体涉及一种基于长短期兴趣的电商平台会话感知推荐预测方法。

技术介绍

[0002]近年来，随着人工智能技术的蓬勃发展,使推荐更有趣和有用的是“智能”因素。智能是个性化的关键核心，它可以了解用户的偏好、预测用户未知的喜好，并最终通过匹配查询和内容来提供超越简单搜索的推荐。推荐系统研究结合了多种人工智能(AI)技术，包括机器学习、数据挖掘、用户建模和基于案例的推理等。拥有一个可以像人类一样思考和学习的智能系统的想法导致了更人性化的技术，称为计算智能(CI)。CI是AI的一个分支，它探索自适应机制，以在复杂和不断变化的环境中实现智能操作。这种智能“推荐”可以来自多种因素，包括用户的数字习惯，以及类似用户的历史、偏好、兴趣和行为。推荐系统已迅速成为现代电子商务网站以及任何拥有大量内容和用户的网站最重要的流量中心之一。简而言之，推荐系统是一个复杂的过滤系统，可以在数字环境中预测消费者的喜好。
[0003]在推荐系统专利技术之初，发现人和产品的显式相似性是很容易的，但推荐系统系统已经使用了通过使用矩阵分解查看潜在属性的相似性的方式。简单地说，一个项目或一个客户的所有属性都以一种揭示尚未实现的关系的方式组合在一起，但是这种方式的局限性很大，人工智能的出现使得推荐系统可以发现更多的潜在属性和隐藏关系。
[0004]虽然众多学者对会话感知推荐模型进行了大量的研究，可以最大限度的减少现有推荐模型由于忽略短期事务而造成的信息损失，但仍存在一些挑战：
[0005]1.用户的兴趣随时间推移动态演变。电商平台下用户对物品的偏好通常是动态变化的而非静止的，会随着时间的变化发生显著或缓慢的转变。
[0006]2.用户对物品的选择不仅依赖于长期形成的偏好，而且也依赖于短期的最近偏好。用户的长期兴趣和短期兴趣都很重要，如何同时区分和利用这两种兴趣显然是个问题。
[0007]3.不同兴趣的影响意义不同。仅仅是连续且均等的利用用户兴趣，会使得模型不具备真实性，影响推荐结果的准确性。

技术实现思路

[0008]针对以上问题，本申请提出一种基于长短期兴趣的电商平台会话感知推荐预测方法，具体包括以下步骤：
[0009]获取在线数据，包括用户的基本信息、物品的基本信息以及用户行为的会话序列；
[0010]通过获取的在线数据，提取用户行为和用户偏好，并构建用户长期兴趣集；
[0011]通过兴趣匹配从用户长期兴趣集中获取用户在当前阶段的短期兴趣；
[0012]构建预测模型，将用户在一个会话的点击序列，即物品输入，以及用户在当前阶段的短期兴趣作为输入，预测模型输出预测物品并进行推荐。
[0013]进一步的，构建用户长期兴趣集包括：根据历史用户行为的会话序列获取其历史
物品矩阵，利用多个不同尺度的卷积核对该历史物品矩阵进行卷积计算，每个卷积核对应得到一个用户的偏好特征映射，将所有偏好进行拼接后经过一个全连接层转化为用户的长期兴趣，用户所有会话得到的长期兴趣构成长期兴趣集合。
[0014]进一步的，若使用τ个卷积核对历史物品矩阵分别进行卷积运算，卷积核矩阵表示为Ω＝{ω1,ω2,
…
,ω
τ
}，则第i个会话时得到的用户的长期兴趣表示为：
[0015][0016]其中，ReLU()表示ReLU激活函数；concat()表示拼接操作；H为历史物品矩阵，表示为H＝[v1,v2,
…
,v
i
,
…
]T
，v
i
表示表示第i个子会话映射的交互物品向量，W
l
为全连接层的权重矩阵，b为全连接层的偏置项。
[0017]进一步的，对于历史物品矩阵中的值，以一定概率将该值强制设置为0，该概率表示为：
[0018][0019]其中，O表示将历史物品矩阵中的某一个值设置为0的概率；U
u
为用户向量表示；V
v
为物品向量表示；表示从用户与物品的交互学习得到的用户向量表示；表示从用户与物品的交互学习得到的物品向量表示。
[0020]进一步的，用户与物品的交互学习得到的用户向量表示和物品向量表示的过程中是令损失函数逐渐变小知道直到达到设定阈值的过程，损失函数表示为：
[0021][0022]其中，l为损失函数；y∈{0，1}，当y＝1时表示用户与当前物品进行过交互，当y＝0时表示用户没有与当前用户进行过交互；表示从用户与物品的交互学习得到的物品向量表示且用用停留在该物品的时长超过平均停留时长；表示从用户与物品的交互学习得到的物品向量表示且用用停留在该物品的时长未超过平均停留时长。
[0023]进一步的，通过兴趣匹配从用户长期兴趣集中获取用户在当前阶段的短期兴趣，表示为：
[0024][0025]其中，为在第s个会话过程中第n个阶段的短期兴趣，用户在一次会话中可能交互多个物品，此处规定用户在该次会话中每与一个物品进行交互即为一个阶段；表示第i个会话时得到的长期兴趣；M表示长期兴趣集中元素的数量；N
s
为阶段数量，表示第s个会话过程中第n个阶段的短期兴趣的权重。
[0026]进一步的，通过注意力机制计算从用户长期兴趣集中匹配得到的一个向量对的影响力，从用户长期兴趣集中匹配得到的一个向量表示为：
[0027][0028]其中，表示用户长期兴趣集中的嵌入向量与将当前用户行为的会话序列投影到嵌入空间向量的差值；表示第i个会话时得到的长期兴趣；表示量化后的<,>表示求内积，w()表示权重函数；表示求取值在集合Q范围内的平均值；Q表示当前会话内用户的所有前驱行为。
[0029]进一步的，基于门控循环单元构建预测模型，将门控循环单元输出门的输出通过softmax函数层预测各个物品被点击的概率，按照概率从高到低向用户推荐物品，该过程表示为：
[0030][0031][0032][0033][0034][0035][0036]其中，为物品输入向量；为用户短期兴趣，为中间隐状态，为隐状态，为更新门，为重置门，为输出向量；W
p
、W
q
、W
h
表示GRU单元的转换矩阵，W1、W2、W3表示GRU单元的权值矩阵；σ表示sigmoid激活函数，
⊙
表示按位相乘操作；表示物品集合V中第|V|个物品被点击的概率，|V|表示物品集合V中的物品的数量，W表示隐藏层连接到输出层的权重矩阵。
[0037]本专利技术不仅能够有效挖掘用户行为序列中的用户长短期兴趣信息，更精确的表达用户兴趣偏好，同时能够提升电商平台的推荐准确性。
附图说明
[0038]图1为本专利技术基于长短期兴趣的会话感知推荐预测模型流程图；
[0039]图2为本专利技术会话内每一阶段预测购买物品概率模型示意图；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期兴趣的电商平台会话感知推荐预测方法，其特征在于，包括以下步骤：获取在线数据，包括用户的基本信息、物品的基本信息以及用户行为的会话序列；通过获取的在线数据，提取用户行为和用户偏好，并构建用户长期兴趣集；通过兴趣匹配从用户长期兴趣集中获取用户在当前阶段的短期兴趣；构建预测模型，将用户在一个会话的点击序列，即物品输入，以及用户在当前阶段的短期兴趣作为输入，预测模型输出预测物品并进行推荐。2.根据权利要求1所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法，其特征在于，构建用户长期兴趣集包括：根据历史用户行为的会话序列获取其历史物品矩阵，利用多个不同尺度的卷积核对该历史物品矩阵进行卷积计算，每个卷积核对应得到一个用户的偏好特征映射，将所有偏好进行拼接后经过一个全连接层转化为用户的长期兴趣，用户所有会话得到的长期兴趣构成长期兴趣集合。3.根据权利要求2所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法，其特征在于，若使用τ个卷积核对历史物品矩阵分别进行卷积运算，卷积核矩阵表示为Ω＝{ω1,ω2,
…
,ω
τ
}，则第i个会话时得到的用户的长期兴趣表示为：其中，ReLU()表示ReLU激活函数；concat()表示拼接操作；H为历史物品矩阵，表示为H＝[v1,v2,
…
,v
i
,
…
]
T
，v
i
表示表示第i个子会话映射的交互物品向量，W
l
为全连接层的权重矩阵，b为全连接层的偏置项。4.根据权利要求2所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法，其特征在于，对于历史物品矩阵中的值，以一定概率将该值强制设置为0，该概率表示为：其中，O表示将历史物品矩阵中的某一个值设置为0的概率；U
u
为用户向量表示；V
v
为物品向量表示；表示从用户与物品的交互学习得到的用户向量表示；表示从用户与物品的交互学习得到的物品向量表示。5.根据权利要求3所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法，其特征在于，用户与物品的交互学习得到的用户向量表示和物品向量表示的过程中是令损失函数逐渐变小直到达到设定阈值的过程，损失函数表示为：其中，l为损失函数；y∈{0，...

【专利技术属性】
技术研发人员：肖云鹏，黄于洋，李暾，王蓉，贾朝龙，陶禹冲，朱宇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：