【技术实现步骤摘要】
本专利技术属于商品推荐领域，尤其涉及一种基于用户行为的商品推荐系统及方法。
技术介绍
1、目前，推荐系统多被用于单一领域的推荐，根据所在领域中的用户、项目交互等相关信息向用户推送可能感兴趣的内容，如只进行图书、音乐或电影等单方面的推荐，数据源均独立存在。系统过滤推荐算法是商品推荐系统领域经典的算法，它是基于用户或者商品的相似性来产生推荐，但是在另一个角度来说，虽然协同过滤推荐算法在该领域有着广泛的应用，但依然具有一些局限性，例如稀疏性问题、冷启动问题、执行效率低等问题尚待解决。然而，对于单个用户而言，其与电子商务网站中商品的交互仅占总商品的很小一部分，可认为该用户实质上在该单一领域内所涉及的信息量极其有限，因此，推荐系统难以有效的了解用户的偏好，存在数据稀疏的问题。特别的，对刚进入某一领域的新用户而言，没有任何可以用于获取用户偏好的历史信息做参考，推荐系统面临冷启动问题，用户在单个领域内仅包含有限信息，数据量的不足导致难以实现真正个性化的推荐。
技术实现思路
1、有鉴于此，本专利技术提供了一种有效的用户行为序列建模以提升推荐性能、减少系统中商品冷启动问题和拓宽了多领域推荐的数据来源的基于用户行为的商品推荐系统及方法，来解决上述存在的技术问题，具体采用以下技术方案来实现。
2、第一方面，本专利技术提供了一种基于用户行为的商品推荐系统，包括：
3、数据获取模块，用于获取在商品领域中的用户与商品的交互数据，根据交互数据建立用户交互序列，其中，商品领域包括辅助领域和
4、特征聚合模块，用于将辅助领域与目标领域中的用户和商品评分特征采用注意力机制以聚合同一商品领域的用户和商品特征，其中，对辅助领域与目标领域中的评分矩阵按行按列进行分割得到历史评分数据，将历史评分数据输入至已训练的神经网络中进行特征编码得到用户和商品特征；
5、兴趣特征确定模块，用于获取用户点击包含商品的微视频的用户行为并根据用户行为确定微视频表征的用户行为序列，将用户行为序列进行多尺度建模得到用户兴趣表征；
6、商品推荐模块，用于计算用户和商品特征中的商品推荐的优先级，根据商品推荐优先级和用户兴趣表征以完成用户行为的商品推荐。
7、作为上述技术方案的进一步优选，将辅助领域与目标领域中的用户和商品评分特征采用注意力机制以聚合同一商品领域的用户和商品特征，包括：
8、对辅助领域与目标领域中的评分矩阵按行按列进行分割，分别表示用户所打出的历史评分数据和商品含有的历史评分数据，表示为和
9、将历史评分数据输入至神经网络中进行特征编码，输出辅助领域与目标领域中的用户和商品评分向量表示和在每个域中划分出用户所发出的评论集和商品所拥有的评论集和采用bert进行文本向量化得到辅助领域与目标领域的评分和评论向量表示；
10、通过密集卷积网络对评分向量和评论向量进行处理，并进行最大池化和全连接操作得到辅助领域与目标领域中的用户和商品评分特征表示以及评论文本特征表示和
11、采用注意力机制实现动态权重的分配以聚合同一领域的用户和商品特征，得到各个领域的用户与商品特征和
12、作为上述技术方案的进一步优选，评分数据的向量化表示过程包括：以辅助领域中的用户评分集为例，将其传入神经网络中进行特征编码，对应的计算表达式为其中，wu表示用户评分特征嵌入层的权重矩阵，wi表示商品评分特征嵌入层的权重矩阵，分别表示用户u和商品i的评分嵌入表示，对应得到目标领域中的用户与商品评分嵌入表示，分别表示为以完成对辅助领域和目标领域的用户评分集和商品评分集的向量化表示；
13、评论数据的向量化表示过程包括：对辅助领域和目标领域中用户-商品评论数据的聚合分割，划分出辅助领域和目标领域的用户评论集和商品评论集将各个领域中的用户评论集输入到嵌入层中，对每一条评论数据的转化以获得对应用户评论的向量表示和每一条商品评论的向量表示；
14、bert模型的输入包括词向量、句子向量和位置向量，词向量表示对当前词的编码，句子向量表示对当前词所在句子的编码，位置向量用来编码每个词的绝对位置。
15、作为上述技术方案的进一步优选，获取用户点击包含商品的微视频的用户行为并根据用户行为确定微视频表征的用户行为序列，包括：
16、预设一个用户点击的微视频序列为{a1,a2...an}，将微视频序列映射成一个特征向量序列{x1,x2...xn}，其中对于每一个微视频ai，从预训练模型的封面图中抽取视觉特征表示一个高维向量，通过学习一个嵌入矩阵ef将其投影到低维空间中的表达式为其中为视觉特征向量；
17、每一个微视频含有一个类目属性，类目信息采用杜热向量表示，微视频ai的类目记为通过学习一个嵌入矩阵ec将映射到低维空间中的表达式为其中，表示类目特征向量；
18、将视觉特征向量和类目特征向量拼接在一起，即xi＝[fi；ci]，其中[；]表示拼接操作，其中d＝df+dc。
19、采用循环神经网络来对序列{x1,x2...xn}进行建模，将用户行为序列划分到m个时间窗口中，每个时间窗口内包含k个微视频(m×k＝n)；
20、在每个时间窗口内，采用类目级别和条目级别的注意力模型来提取第i个时间窗口内的用户局部短期兴趣特征ii∈rd，挖掘每个时间窗口之间的相关性以得到第1个到第i个时间窗口的全局兴趣表征用户局部兴趣表征和全局兴趣表征被组合在一起，通过归一化得到用户每个时间窗口的最终兴趣表征{u1,u2...um}。
21、作为上述技术方案的进一步优选，挖掘每个时间窗口之间的相关性，包括：
22、预设第i个时间窗口内的第j个微视频为aij，i＝1,2...m，j＝1,2...k，类目级别注意力分数计算表达式为αc(cij)＝wcσ(w1cij+w2fij+β1)+β2，其中，和是待学习参考矩阵，偏置向量β1、β2都是dc维，σ(·)为激活函数；
23、计算得到的注意力分数将使用softmax函数进行归一化，计算表达式为最终第i个时间窗口内的类目信息聚合为用户的粗粒度兴趣保证的表达式为其中，⊙表示逐元素乘法，对应的条目级别的注意力分数计算表达式为αf(fij)＝wfσw′1cij+w′2fij+β′1)+β′2，其中，和都是待学习参数，通过softmax函数归一化后的注意力权重来聚合当前时间窗口内的微视频信息的表达式为和被拼接在一起得到第i个时间串口的用户兴趣表征ii∈rd。
24、作为上述技术方案的进一步优选，获取在商品领域中的用户与商品的交互数据，包括：
25、获取用户u按时间顺序的最近n次评分记为集合un，预先计算好的与商品p最相似的n个商品记为pn，每个商品q∈pn，先统计满足阈值的数据个数的表达式为sum(u,q)表示q与un中商品相似度大于最小阈值的数量，thresholds表示相似度阈值；...
【技术保护点】
1.一种基于用户行为的商品推荐系统，其特征在于，包括：
2.根据权利要求1所述的基于用户行为的商品推荐系统，其特征在于，将辅助领域与目标领域中的用户和商品评分特征采用注意力机制以聚合同一商品领域的用户和商品特征，包括：
3.根据权利要求2所述的基于用户行为的商品推荐系统，其特征在于，评分数据的向量化表示过程包括：以辅助领域中的用户评分集为例，将其传入神经网络中进行特征编码，对应的计算表达式为其中，Wu表示用户评分特征嵌入层的权重矩阵，Wi表示商品评分特征嵌入层的权重矩阵，分别表示用户u和商品i的评分嵌入表示，对应得到目标领域中的用户与商品评分嵌入表示，分别表示为以完成对辅助领域和目标领域的用户评分集和商品评分集的向量化表示；
4.根据权利要求1所述的基于用户行为的商品推荐系统，其特征在于，获取用户点击包含商品的微视频的用户行为并根据用户行为确定微视频表征的用户行为序列，包括：
5.根据权利要求4所述的基于用户行为的商品推荐系统，其特征在于，挖掘每个时间窗口之间的相关性，包括：
6.根据权利要求1所述的基于用户行为的商品推
7.根据权利要求1所述的基于用户行为的商品推荐系统，其特征在于，还包括：
8.根据权利要求1所述的基于用户行为的商品推荐系统，其特征在于，计算用户和商品特征中的商品推荐的优先级，包括：
9.根据权利要求1所述的基于用户行为的商品推荐系统，其特征在于，根据商品推荐优先级和用户兴趣表征以完成用户行为的商品推荐，包括：
10.根据权利要求1-9任一项所述的基于用户行为的商品推荐系统的基于用户行为的商品推荐方法，其特征在于，包括以下步骤：
...【技术特征摘要】
1.一种基于用户行为的商品推荐系统，其特征在于，包括：
2.根据权利要求1所述的基于用户行为的商品推荐系统，其特征在于，将辅助领域与目标领域中的用户和商品评分特征采用注意力机制以聚合同一商品领域的用户和商品特征，包括：
3.根据权利要求2所述的基于用户行为的商品推荐系统，其特征在于，评分数据的向量化表示过程包括：以辅助领域中的用户评分集为例，将其传入神经网络中进行特征编码，对应的计算表达式为其中，wu表示用户评分特征嵌入层的权重矩阵，wi表示商品评分特征嵌入层的权重矩阵，分别表示用户u和商品i的评分嵌入表示，对应得到目标领域中的用户与商品评分嵌入表示，分别表示为以完成对辅助领域和目标领域的用户评分集和商品评分集的向量化表示；
4.根据权利要求1所述的基于用户行为的商品推荐系统，其特征在于，获取用户点击包含商品的微视频的用户行为...
【专利技术属性】
技术研发人员：谢伟超，
申请(专利权)人：深圳市伙伴行网络科技有限公司，
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。