一种基于多行为特征融合的电商会话推荐方法、系统、装置及介质制造方法及图纸

本发明专利技术公开了一种基于多行为特征融合的电商会话推荐方法及系统。该方法包括以下步骤：获取电商数据库中用户对商品的点击、收藏、购买、加入购物车四种会话行为数据；构建一种基于多行为特征融合的电商会话推荐模型，该模型包括行为特征提取模块、商品特征提取模块、商品高阶特征提取模块、会话特征提取模块和商品推荐模块；使用电商数据库中的四种会话行为数据对所述的电商会话推荐模型进行训练；利用训练好的电商会话推荐模型对会话中的用户进行商品推荐，输出推荐结果。本发明专利技术利用电商会话推荐模型融合会话中的多行为特征，能有效提升推荐性能。升推荐性能。升推荐性能。

【技术实现步骤摘要】
一种基于多行为特征融合的电商会话推荐方法、系统、装置及介质


[0001]本专利技术涉及数据挖掘领域，特别是一种基于多行为特征融合的电商会话推荐方法、系统、装置及介质。

技术介绍

[0002]电商会话推荐是指在电商应用场景下，利用用户的匿名会话信息，即用户在短时会话中已经交互的商品，预测用户即将交互的商品，它是推荐系统的一个重要分支和子课题，尤其是现在人们越来越关注个人隐私，会话推荐不使用用户的隐私信息，在推荐系统上有非常大的优势。
[0003]最初的会话推荐广泛采用马尔科夫链的方法，通常采用前一次的交互项来预测下一个可能交互的项目。Rendle等人将马尔科夫链和矩阵分解进行结合，用于预测下一个交互项；Le等人通过加入上下文信息来构建马尔客人付模型以提升推荐性能；但是这种方法是在强独立性的假设下进行的，这会限制预测的准确性。近年来，随着深度学习的发展，循环神经网络被广泛应用在会话推荐中。Hidasi等人提出了GRU4Rec模型，第一次将循环神经网络用于会话推荐；Tan等人升级了GRU4Rec模型，提升了推荐性能并缓解了过拟合问题；liu等人利用多层感知器和注意力网络以提升推荐性能。但是循环神经网络是基于依赖假设进行的，假设任何相邻的交互都必须包含顺序关系。在依赖假设下，该方法只能捕获逐点依赖，而不能捕获集体依赖。图神经网络凭借其强大的图结构优势能够捕获节点之间复杂的依赖关系，在近期的会话推荐研究中得到了广泛应用。Wu等人提出的SR
‑
GNN模型首次将图网络应用到会话推荐，并通过加入注意力机制，增强会话表示；Xu等人提出的GC
‑
SAN使用多层自注意力网络，学习更准确的会话表示。图神经网络强大的节点学习能力，使得会话推荐的性能得到很大的提升。
[0004]虽然图神经网络的应用极大地提升了会话推荐的性能，但是基于点击行为的特征学习不能全面反映商品特征和会话特征。实际上，用户除了对商品存在点击行为外，还会发生对商品的收藏、购买、加入购物车等其他行为，这些行为同样会影响特征学习。现有的模型很少会考虑除了点击行为之外的其他行为，导致商品特征学习不全面，造成推荐性能的下降。

技术实现思路

[0005]专利技术目的：针对现有技术的不足，本专利技术目的在于提供一种基于多行为特征融合的电商会话推荐方法及系统，通过多级门控循环单元网络融合主要行为(点击行为)特征向量和三种次要行为(收藏、购买、加入购物车三种行为)特征向量，学习到具有多重特征的商品特征向量，并利用L层门控图神经网络学习商品高阶特征向量，解决现有方法商品特征学习不全面的问题，同时在学习会话特征向量时，利用一个门控循环单元网络融合全局兴趣特征向量和当前兴趣特征向量，更新会话特征学习方式，能有效提升推荐性能。
[0006]技术方案：本专利技术为实现上述专利技术目，本专利技术提出一种基于多行为特征融合的电商会话推荐方法，该方法包括以下步骤：
[0007]S1：获取电商数据库中用户对商品的点击、收藏、购买、加入购物车四种会话行为数据；
[0008]S2：构建一种基于多行为特征融合的电商会话推荐模型，该模型包括行为特征提取模块、商品特征提取模块、商品高阶特征提取模块、会话特征提取模块和商品推荐模块；
[0009]所述的行为特征提取模块，用于提取用户在会话中对商品的点击、收藏、购买、加入购物车四种行为的特征向量；其中，点击行为是主要行为，收藏、购买、加入购物车三种行为是基于点击行为发生的次要行为；
[0010]所述的商品特征提取模块，由分级的门控循环单元网络构成，用于对所提取的四种行为特征向量进行融合，输出商品特征向量；其中分级的门控循环单元网络由三级门控循环单元网络构成：
[0011]第一级门控循环单元网络以收藏行为特征向量和购买行为特征向量为输入，自适应学习收藏行为特征向量和购买行为特征向量的重要性权重，并对其进行加权求和，得到收藏与购买行为特征的融合特征向量；
[0012]第二级门控循环单元网络以收藏与购买行为特征的融合特征向量和加入购物车行为特征向量为输入，自适应学习两种特征向量的重要性权重，并对其进行加权求和，得到次要行为的融合特征向量；
[0013]第三级门控循环单元网络以次要行为的融合特征向量和点击行为特征向量为输入，自适应学习两种特征向量的重要性权重，并对其进行加权求和，得到商品特征向量；
[0014]所述的商品高阶特征提取模块，由门控图神经网络构成，以会话中用户对商品的点击顺序关系构建的邻接矩阵以及商品特征向量为输入，提取商品高阶特征向量；
[0015]所述的会话特征提取模块，由注意力模块和门控循环单元网络构成，对当前兴趣特征向量和全局兴趣特征向量进行自适应融合，输出会话特征向量；
[0016]所述的商品推荐模块，通过向量点积运算计算会话特征向量与候选商品特征向量的相似度，根据相似度从高到低进行排序，向用户推荐相似度排名前K位的商品；
[0017]S3：使用电商数据库中的四种会话行为数据对所述的电商会话推荐模型进行训练；
[0018]S4：利用训练好的电商会话推荐模型对会话中的用户进行商品推荐，输出推荐结果。
[0019]优选的，所述步骤S2中的行为特征提取模块，提取用户在会话中对商品的点击、收藏、购买、加入购物车四种行为特征向量的具体步骤如下：
[0020]S2.1.1：对电商数据库中n个商品{v1,v2,
…
,v
n
}进行one
‑
hot编码，并分别嵌入到d1维空间，得到d1维的商品表征向量其中，i＝1,2,
…
,n，d1为正整数；
[0021]S2.1.2：对收藏、购买、加入购物车三种次要行为进行one
‑
hot编码，并分别嵌入到d2维空间，得到d2维的收藏行为特征向量购买行为特征向量加入购物车行为特征向量其中，d2为正整数；
[0022]S2.1.3：针对商品v
i
，将商品表征向量c
i
分别和三种次要行为特征向量进行拼接以
得到商品v
i
的收藏行为特征向量购买行为特征向量加入购物车行为特征向量
[0023]S2.1.4：针对商品v
i
，将商品表征向量c
i
进行补0操作以得到点击行为特征向量其中，0为d2维的零向量。
[0024]优选的，所述步骤S2中的商品特征提取模块，对所提取的四种行为特征向量进行融合输出商品特征向量的具体步骤如下：
[0025]S2.2.1：第一级门控循环单元网络以商品v
i
的收藏行为特征向量和购买行为特征向量为输入，自适应学习收藏行为特征向量和购买行为特征向量的重要性权重，并对其进行加权求和，得到收藏与购买行为特征的融合特征向量，其表达式为：
[0026]g1＝σ(W1f
i
+W2b
i
)
[0027]m
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多行为特征融合的电商会话推荐方法，其特征在于，该方法包括以下步骤：S1：获取电商数据库中用户对商品的点击、收藏、购买、加入购物车四种会话行为数据；S2：构建一种基于多行为特征融合的电商会话推荐模型，该模型包括行为特征提取模块、商品特征提取模块、商品高阶特征提取模块、会话特征提取模块和商品推荐模块；所述的行为特征提取模块，用于提取用户在会话中对商品的点击、收藏、购买、加入购物车四种行为的特征向量；其中，点击行为是主要行为，收藏、购买、加入购物车三种行为是基于点击行为发生的次要行为；所述的商品特征提取模块，由分级的门控循环单元网络构成，用于对所提取的四种行为特征向量进行融合，输出商品特征向量；其中分级的门控循环单元网络由三级门控循环单元网络构成：第一级门控循环单元网络以收藏行为特征向量和购买行为特征向量为输入，自适应学习收藏行为特征向量和购买行为特征向量的重要性权重，并对其进行加权求和，得到收藏与购买行为特征的融合特征向量；第二级门控循环单元网络以收藏与购买行为特征的融合特征向量和加入购物车行为特征向量为输入，自适应学习两种特征向量的重要性权重，并对其进行加权求和，得到次要行为的融合特征向量；第三级门控循环单元网络以次要行为的融合特征向量和点击行为特征向量为输入，自适应学习两种特征向量的重要性权重，并对其进行加权求和，得到商品特征向量；所述的商品高阶特征提取模块，由门控图神经网络构成，以会话中用户对商品的点击顺序关系构建的邻接矩阵以及商品特征向量为输入，提取商品高阶特征向量；所述的会话特征提取模块，由注意力模块和门控循环单元网络构成，对当前兴趣特征向量和全局兴趣特征向量进行自适应融合，输出会话特征向量；所述的商品推荐模块，通过向量点积运算计算会话特征向量与候选商品特征向量的相似度，根据相似度从高到低进行排序，向用户推荐相似度排名前K位的商品；S3：使用电商数据库中的四种会话行为数据对所述的电商会话推荐模型进行训练；S4：利用训练好的电商会话推荐模型对会话中的用户进行商品推荐，输出推荐结果。2.根据权利要求1所述的一种基于多行为特征融合的电商会话推荐方法，其特征在于，所述步骤S2中的行为特征提取模块，提取用户在会话中对商品的点击、收藏、购买、加入购物车四种行为特征向量的具体步骤如下：S2.1.1：对电商数据库中n个商品{v1,v2,
…
,v
n
}进行one
‑
hot编码，并分别嵌入到d1维空间，得到d1维的商品表征向量其中，i＝1,2,
…
,n，d1为正整数；S2.1.2：对收藏、购买、加入购物车三种次要行为进行one
‑
hot编码，并分别嵌入到d2维空间，得到d2维的收藏行为特征向量购买行为特征向量加入购物车行为特征向量其中，d2为正整数；S2.1.3：针对商品v
i
，将商品表征向量c
i
分别和三种次要行为特征向量进行拼接以得到商品v
i
的收藏行为特征向量购买行为特征向量加入购物车行为特征向量
S2.1.4：针对商品v
i
，将商品表征向量c
i
进行补0操作以得到点击行为特征向量其中，0为d2维的零向量。3.根据权利要求2所述的一种基于多行为特征融合的电商会话推荐方法，其特征在于，所述步骤S2中的商品特征提取模块，对所提取的四种行为特征向量进行融合输出商品特征向量的具体步骤如下：S2.2.1：第一级门控循环单元网络以商品v
i
的收藏行为特征向量和购买行为特征向量为输入，自适应学习收藏行为特征向量和购买行为特征向量的重要性权重，并对其进行加权求和，得到收藏与购买行为特征的融合特征向量，其表达式为：g1＝σ(W1f
i
+W2b
i
)m
i
＝g1⊙
f
i
+(1
‑
g1)
⊙
b
i
其中，和是可训练的权重矩阵，是用于调控收藏行为特征向量和购买行为特征向量贡献度的权重向量，σ(
·
)表示sigmoid非线性激活函数，是全1向量，
⊙
表示哈达玛积，是收藏与购买行为特征的融合特征向量；S2.2.2：第二级门控循环单元网络以收藏与购买行为特征的融合特征向量和加入购物车行为特征向量为输入，自适应学习两种输入特征向量的重要性权重，并对其进行加权求和，得到次要行为的融合特征向量，其表达式为：g2＝σ(W3m
i
+W4a
i
)n
i
＝g2⊙
m
i
+(1
‑
g2)
⊙
a
i
其中，和是可训练的权重矩阵，是用于调控收藏和购买融合特征向量和加入购物车行为特征向量贡献度的权重向量，是次要行为的融合特征向量；S2.2.3：第三级门控循环单元网络以次要行为的融合特征向量和点击行为特征向量为输入，自适应学习两种输入特征向量的重要性权重，并对其进行加权求和，得到商品特征向量，其表达式为：g3＝σ(W5n
i
+W6r
i
)其中，和是可训练的权重矩阵，是用于调控点击行为特征向量和次要行为的融合特征向量贡献度的权重向量，是商品特征向量。4.根据权利要求3所述的一种基于多行为特征融合的电商会话推荐方法，其特征在于，所述步骤S2中的商品高阶特征提取模块，以会话中用户对商品的点击顺序关系构建的邻接矩阵以及商品特征向量为输入，提取商品高阶特征向量的具体步骤如下：S2.3.1：针对会话s中不同的商品v
s,1
,v
s,2
,
…
,v
s,l
，其商品特征向量分别表示为根据会话中用户对商品的点击顺序关系v
s,1
→
v
s,2
→…→
v
s,m
，构建邻接矩阵
邻接矩阵中的元素x
ow
，当o＝w时，取值为1；当o≠w时，若商品v
s,o
与商品v
s,w
存在顺序交互关系，即点击商品v
s,o
后，立即点击商品v
s,w
，则x
ow
＝1，否则x
ow
＝0；其中，l表示会话s中不同商品的个数，l为正整数，o＝1,2,
…
l，w＝1,2,
…
l，m∈{1,2,
…
,l}；S2.3.2：对于会话...

【专利技术属性】
技术研发人员：卢官明，丁佳伟，鲍秉坤，余鹏航，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：