微信小程序平台商品推荐方法技术

本发明专利技术公开了微信小程序平台商品推荐方法，属于商品推荐方法领域，包括以下步骤：以SSAGR的结构建立第一预测模型；将第一预测模型同时部署在云端和客户端微信小程序；在云端通过历史数据进行训练获得推荐商品页；在客户端的第一预测模型通过收集用户所访问商品页的特征在小程序端进行训练获得第二预测模型；通过第二预测模型获取个性化的用户/用户群特征向量后将该向量反馈至云端的排序算法获得商品推荐结果；将上述推荐结果推送至客户端的微信小程序平台。本发明专利技术，通过设置的以SSAGR为结构的第一预测模型，能够有效计算用户所在群组对用户的影响，从而更精准的向用户推荐商品。品。品。

【技术实现步骤摘要】
微信小程序平台商品推荐方法


[0001]本专利技术涉及一种商品推荐方法，具体是微信小程序平台商品推荐方法。

技术介绍

[0002]随着互联网技术和电子商务技术的发展，网上购物变得越来越普及。为了对互联网用户的网上购物行为加以引导，电子商务运营商通过各种渠道向互联网用户推送各类商品信息，例如，通过各种互联网应用客户端和各大热门网站等。
[0003]现有的商品信息推送方案，一般通过搜集互联网用户的购物记录，获得用户感兴趣的商品，并向用户推荐同类商品。但这种推荐方法却存在一定的缺陷：现有方案多是针对单个用户进行项目推荐，但人是群居动物，单个用户很容易受到社交网络中的其它用户影响，而现有方案却忽视了这一现象，导致推荐的项目容易出现偏差。
[0004]因此，本领域技术人员提供了微信小程序平台商品推荐方法，以解决上述
技术介绍
中提出的问题。

技术实现思路

[0005]本专利技术的目的在于提供微信小程序平台商品推荐方法，通过设置的以SSAGR为结构的第一预测模型，能够有效计算用户所在群组对用户的影响，从而更精准的向用户推荐商品，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]微信小程序平台商品推荐方法，包括以下步骤：
[0008]以SSAGR的结构建立第一预测模型；
[0009]将第一预测模型同时部署在云端和客户端微信小程序；
[0010]在云端通过历史数据进行训练获得推荐商品页；
[0011]在客户端的第一预测模型通过收集用户所访问商品页的特征在小程序端进行训练获得第二预测模型；
[0012]通过第二预测模型获取个性化的用户/用户群特征向量后将该向量反馈至云端的排序算法获得商品推荐结果；
[0013]将上述推荐结果推送至客户端的微信小程序平台。
[0014]作为本专利技术进一步的方案：所述第一预测模型的具体预测过程为：
[0015]通过微信小程序获得用户与关注者，用户与小程序平台商品页以及用户群与小程序平台商品页的交互数据；
[0016]将上述交互数据结合时间形成第一时间序列、第二时间序列以及第三时间序列；
[0017]将上述时间序列通过时间序列门控循环单元进行处理，获得时序感知序列；
[0018]将上述时序感知序列结合第一时间序列、第二时间序列以及第三时间序列输入分层自注意力网络进行处理获得用户群向量表示；
[0019]将上述用户群向量表示结合时序感知序列输入多层感知机获得用户/用户群对应
的商品页预测结果。
[0020]作为本专利技术再进一步的方案：所述分层自注意力网络的结构采用对用户、社交关注者嵌入聚合策略，通过用户的向量表示，得到最终的群组嵌入表示，具体为：先通过用户级自注意力网络将用户的社交关注者信息纳入到用户表示中；然后，采用群组级自注意力网络，融合成员用户的向量表示，获得每个群组的嵌入表示向量。
[0021]作为本专利技术再进一步的方案：所述用户级自注意力网络在导入用户的社交网络数据后，结合用户的一般偏好，得到用户的向量表示。
[0022]作为本专利技术再进一步的方案：所述群组级自注意力网络基于用户级的自注意力网络学习融合策略，且群组级自注意力网络的目标即通过成员用户的嵌入表示，得到整个群组的表示。
[0023]作为本专利技术再进一步的方案：所述第一预测模型生成预测结果前通过神经协同过滤NCF学习群组
‑
项目交互函数，完成团购推荐。
[0024]作为本专利技术再进一步的方案：所述推荐结果在推送给客户端的微信小程序平台前，通过预设的排序算法对推荐结果进行排序。
[0025]作为本专利技术再进一步的方案：所述数据收集以及训练过程中进行隐私保护，具体保护过程为：
[0026]第三服务器生成公
‑
私钥对并发送给数据拥有者，同时将公钥发给第一服务器和第二服务器；
[0027]数据拥有者用公钥对数据进行加密后上传到第一服务器和第二服务器；
[0028]第一服务器、第二服务器和第三服务器协同执行的第一预测模型训练过程的隐私保护，第一服务器和第二服务器均持有一份用户上传的加密数据份额，可以独自执行线性的密文计算，当执行非线性的密文计算时，第一服务器和第二服务器将添加随机数后的混淆密文数据传递给第三服务器，由第三服务器采用私钥对其解密后执行非线性计算；
[0029]第一服务器和第二服务器将训练后的加密模型份额反馈给数据拥有者，数据拥有者采用加法运算可以恢复出完整的加密数据，然后解密获得原始数据。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]1、本申请通过设置的以SSAGR为结构的第一预测模型，先获取了团购中用户随时间变化的潜在兴趣，再利用用户级自注意力网络，将用户的社交网络信息整合到用户表示中，并通过群组级自注意力网络，动态调整群组中用户的权重，得到了群组表示向量，最后通过NCF框架挖掘群组
‑
项目交互，完成了团购群组推荐，整个过程中有效计算了用户所在群组对用户的影响，从而更精准的向用户推荐商品。
[0032]2、本申请通过构建的第一预测模型，结合收集的数据训练获得第二预测模型，形成融合云端服务的微信小程序平台推荐方法，进一步提高推荐商品的精准性，此外，在数据收集与训练的过程中，为提高用户信息的安全性，本申请在此过程中进行隐私保护。
附图说明
[0033]图1为微信小程序平台商品推荐方法的流程图；
[0034]图2为微信小程序平台商品推荐方法中第一预测模型的预测流程图；
[0035]图3为微信小程序平台商品推荐方法中分层自注意力网络的结构图；
[0036]图4为微信小程序平台商品推荐方法中融合云端服务的微信小程序平台推荐方法流程图；
[0037]图5为微信小程序平台商品推荐方法中隐私保护的流程图。
具体实施方式
[0038]为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0039]请参阅图1～5，本专利技术实施例中，微信小程序平台商品推荐方法，包括以下步骤：以SSAGR(融合社交网络和分层自注意力的团购推荐模型(Group buying Recommendation model integrating Social network and hierarchical Self
‑
Attention，简称SSAGR))的结构建立第一预测模型；将第一预测模型同时部署在云端和客户端微信小程序；在云端通过历史数据进行训练获得推荐商品页；在客户端的第一预测模型通过收集用户所访问商品页的特征在小程序端进行训练获得第二预测模型；通过第二预测模型获取个性化的用户/用户群特征向量后将该向量反馈至云端的排序算法获得商品推荐结果；将上述推荐结果推送至客户端的微信小程序平台。本申请通过设置的以SSAGR为结构的第一预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.微信小程序平台商品推荐方法，其特征在于，包括以下步骤：以SSAGR的结构建立第一预测模型；将第一预测模型同时部署在云端和客户端微信小程序；在云端通过历史数据进行训练获得推荐商品页；在客户端的第一预测模型通过收集用户所访问商品页的特征在小程序端进行训练获得第二预测模型；通过第二预测模型获取个性化的用户/用户群特征向量后将该向量反馈至云端的排序算法获得商品推荐结果；将上述推荐结果推送至客户端的微信小程序平台。2.根据权利要求1所述的微信小程序平台商品推荐方法，其特征在于，所述第一预测模型的具体预测过程为：通过微信小程序获得用户与关注者，用户与小程序平台商品页以及用户群与小程序平台商品页的交互数据；将上述交互数据结合时间形成第一时间序列、第二时间序列以及第三时间序列；将上述时间序列通过时间序列门控循环单元进行处理，获得时序感知序列；将上述时序感知序列结合第一时间序列、第二时间序列以及第三时间序列输入分层自注意力网络进行处理获得用户群向量表示；将上述用户群向量表示结合时序感知序列输入多层感知机获得用户/用户群对应的商品页预测结果。3.根据权利要求2所述的微信小程序平台商品推荐方法，其特征在于，所述分层自注意力网络的结构采用对用户、社交关注者嵌入聚合策略，通过用户的向量表示，得到最终的群组嵌入表示，具体为：先通过用户级自注意力网络将用户的社交关注者信息纳入到用户表示中；然后，采用群组级自注意力网络，融合成员用户的向量表示，获得每个群组的嵌入表示向量。4.根据权利要求3所述的微信小程序平台商品推荐方法，其特征在于，所述用户级自注意力网...

【专利技术属性】
技术研发人员：黄灏，蒋琴，黄家庆，
申请(专利权)人：深圳市鸿新大真网络技术有限公司，
类型：发明
国别省市：