用户个性化商品推荐方法及装置制造方法及图纸

本发明专利技术实施例公开了一种用户个性化商品推荐方法及装置，涉及商品推荐技术领域，可用于金融领域或其他领域，该方法包括：根据用户的订单行为序列确定用户的长期兴趣Embedding；根据用户的商品点击序列确定用户的短期兴趣Embedding；根据所述长期兴趣Embedding、所述短期兴趣Embedding以及用户的用户特征Embedding确定用户综合Embedding，并根据所述用户综合Embedding确定与用户匹配的商品。本发明专利技术有助于提高用户商品推荐的准确性。性。性。

【技术实现步骤摘要】
用户个性化商品推荐方法及装置


[0001]本专利技术涉及商品推荐
，具体而言，涉及一种用户个性化商品推荐方法及装置。

技术介绍

[0002]目前在对用户进行商品推荐时，通常根据用户历史上购买的商品来预测用户可能会感兴趣的商品，进而进行商品推荐。然而目前这种推荐方式并没有考虑到用户短期的兴趣也许会发生大的变化，例如用户不同时期的需求不同，而已购买的商品通常由于样本数量不足并不能反应出用户短期兴趣的变化。此外，目前这种推荐方式并没有考虑用户的特性，而不同用户的特性也对用户会感兴趣的商品影响很大。因此，目前这种推荐方式存在准确性不足的缺点，现有技术缺少一种更为准确的为用户推荐商品的方案。

技术实现思路

[0003]本专利技术为了解决上述
技术介绍
中的至少一个技术问题，提出了一种用户个性化商品推荐方法及装置。
[0004]为了实现上述目的，根据本专利技术的一个方面，提供了一种用户个性化商品推荐方法，该方法包括：
[0005]根据用户的订单行为序列确定用户的长期兴趣Embedding；
[0006]根据用户的商本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户个性化商品推荐方法，其特征在于，包括：根据用户的订单行为序列确定用户的长期兴趣Embedding；根据用户的商品点击序列确定用户的短期兴趣Embedding；根据所述长期兴趣Embedding、所述短期兴趣Embedding以及用户的用户特征Embedding确定用户综合Embedding，并根据所述用户综合Embedding确定与用户匹配的商品。2.根据权利要求1所述的用户个性化商品推荐方法，其特征在于，所述根据用户的订单行为序列确定用户的长期兴趣Embedding，具体包括：根据所述订单行为序列确定商品购买数据，并根据所述商品购买数据构建图模型，其中，所述图模型包含：节点和有向边，所述节点包括：用户节点和商品节点；采用GraphSAGE图神经网络算法确定所述图模型中每个商品节点各自的节点Embedding；根据所述节点Embedding从所有商品节点中筛选出N个商品节点，并根据该N个商品节点的节点Embedding生成所述长期兴趣Embedding，其中，N为正整数。3.根据权利要求2所述的用户个性化商品推荐方法，其特征在于，所述根据该N个商品节点的节点Embedding生成所述长期兴趣Embedding，具体包括：对该N个商品节点的节点Embedding进行池化，得到所述长期兴趣Embedding。4.根据权利要求2所述的用户个性化商品推荐方法，其特征在于，还包括：采用迁移学习的方法用第三方域中相似用户的商品购买数据对所述图模型进行扩充。5.根据权利要求2所述的用户个性化商品推荐方法，其特征在于，所述采用GraphSAGE图神经网络算法确定所述图模型中每个商品节点各自的节点Embedding，具体包括：在确定目标商品节点的节点Embedding时，先对所述目标商品节点的各邻居商品节点的有向边的权重进行归一化，然后根据归一化的权重对邻居商品节点进行聚合。6.根据权利要求2所述的用户个性化商品推荐方法，其特征在于，所述根据所述节点Embedding从所有商品节点中筛选出N个商品节点，具体包括：分别计算出每个商品节点的节点Embedding与所有商品节点的节点Embedding的距离之和；从所有商品节点中筛选出距离之和最小的N个商品节点。7.根据权利要求2所述的用户个性化商品推荐方法，其特征在于，所述有向边用于表示商品的购买顺序；两个商品节点之间的有向边的权重值由该两个商品节点出现在同一个订单中的次数所确定。8.根据权利要求1所述的用户个性化商品推...

【专利技术属性】
技术研发人员：邹泳彤，邝树华，陈嘉诚，邝嘉升，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：