【技术实现步骤摘要】
本申请涉及电商直播，特别涉及一种基于互联网的电商在线直播方法。
技术介绍
1、随着移动互联网和电子商务的快速发展，各大电商平台上的商品数量和用户量迅速增长，给商品推荐系统提出了更高的要求。高质量的个性化商品推荐服务不仅能提升用户的购物体验，也是电商平台取得竞争优势的关键。
2、但是传统的基于内容过滤或协同过滤的推荐算法存在如下问题：对冷启动用户的推荐效果较差，无法快速捕捉用户兴趣；推荐同质化严重，无法满足用户对长尾商品的需求；无法深度挖掘多源异构用户数据中的潜在特征，推荐趋同化。
3、在相关技术中，比如中国专利文献cn113709576a中提供了一种基于互联网的电商在线直播方法及系统，其中，所述方法包括：获得第一售卖货品信息；获得第一货品品类；构建货品购买用户群画像数据集；将所述第一货品品类输入所述货品购买用户群画像数据集，获得第一货品购买用户群画像信息；获得相匹配的第一网销主持信息；获得第一直播界面图像；获得第二直播界面图像；根据所述第一直播界面图像和所述第二直播界面图像，构建第一采购vr图像信息；获得第一标记采购货品信息；将所述第一标记采购货品信息回传至所述第一直播界面图像信息，实现对所述第一货品的网络直销。但是该方案中，主要依据商品类别和用户群体的画像进行匹配推荐，过于依赖商品类别这个维度来确定推荐结果，而缺少对个体用户兴趣喜好的细粒度建模，因此推荐方案存在同质化的问题。
技术实现思路
1、针对现有技术中存在的电商推荐方案同质化的问题，本申请提供了一种
2、本申请的目的通过以下技术方案实现。
3、本说明书实施例提供一种基于互联网的电商在线直播方法，包括：采集用户在电商平台的行为数据；建立mysql数据库，存储采集的用户的行为数据；利用监督学习算法，基于采集的用户的行为数据和商品id数据，构建并训练用户的商品id偏好模型，生成用户的多维画像；基于tensorflow机器学习框架，构建多层协同过滤的神经网络模型，利用生成的用户的多维画像训练构建的多层协同过滤的神经网络模型；利用训练后的多层协同过滤的神经网络模型，根据用户的实时请求，生成针对用户的商品id推荐列表。
4、其中，采集用户在电商平台的各类行为数据，包括点击、收藏、添加购物车、下单购买等行为日志，以及用户的基础信息，存储到mysql数据库中。通过对采集行为数据进行分析，应用监督学习算法如bayes分类器等，训练商品id偏好模型，生成表示用户兴趣维度的多维特征向量。还可以采用如下监督学习算法：可以使用xgboost算法对用户的多维度特征进行建模，实现对用户个性化兴趣的学习，并进行精准的个性化商品推荐。可以构建基于深度神经网络的推荐器，通过隐层的非线性变换，实现对用户兴趣的高度抽象表示，产生新的个性化推荐结果。可以使用注意力网络来赋予不同用户行为不同权重，从而建模出用户的个性化兴趣，推荐用户感兴趣而非主流的长尾商品。基于tensorflow框架，构建融合了多层全连接网络的协同过滤神经网络模型，输入层表示用户特征向量，经过多层非线形变换，输出层给出针对不同用户的商品推荐列表。利用用户的多维特征向量初始化协同过滤网络模型，通过模型训练学习用户的非线性兴趣模式。在用户请求推荐时，实时提取对应用户的特征向量，输入协同过滤网络模型，输出个性化的商品推荐列表。随着用户行为的积累，定期使用新数据重新训练网络模型，实现模型的增量优化。
5、进一步地，生成针对用户的商品id推荐列表，还包括：利用构建的多层协同过滤的神经网络模型，根据用户的实时请求，生成针对用户的第一推荐列表。其中，构建的多层协同过滤神经网络模型已经事先训练好，能够产生针对不同用户的商品推荐列表。当用户发起商品推荐请求时，根据用户id查找对应的用户特征向量作为模型输入。将用户特征向量输入协同过滤模型，激活网络进行前向计算，得到每个商品的推荐概率。根据所有商品的推荐概率值排序，选择概率最高的n个商品作为第一推荐列表。为了获得更加个性化的推荐，可以将第一推荐列表再次输入到协同过滤模型中。模型输出针对第一推荐列表商品的二次推荐概率。根据二次推荐的概率排序，选取前m个商品作为个性化推荐结果。最终将第一轮主流推荐和第二轮个性化推荐合并，构建针对该用户的商品推荐列表。
6、在构建的多层协同过滤的神经网络模型的输出层后设置统计单元，统计单元包含多个计数器，通过商品id映射的方式，统计各商品id在多层协同过滤的神经网络模型中出现的总次数。其中，在多层协同过滤神经网络的输出层后，添加统计单元结构。统计单元包含一个计数器数组，数组长度为商品总数，每个计数器通过商品id映射到对应的数组索引上。当神经网络模型进行训练时，每次输出层生成一个商品的推荐列表。对推荐列表中的每个商品id，统计单元通过商品id映射，找到对应的计数器。将该计数器值加1，表示该商品获得了一次推荐输出。随着训练的进行，统计单元实时统计每个商品id被网络输出的总次数。训练结束后，统计单元记录了每个商品在模型中的热度信息。根据计数器的值排序，可以得到全局最热门的商品。也可以获取每个商品在模型中的热度分布，作为新颖性的打分。
7、根据统计单元统计的各商品id出现的总次数，计算商品id分布信息熵作为新颖度指标；当新颖度指标低于阈值时，构建基于scikit learn的随机森林算法冷启动推荐生成器；其中，基于统计单元统计得到每个商品在模型中的出现次数后。计算所有商品出现次数的分布情况，生成概率分布。对该概率分布计算信息熵，作为整体推荐列表的新颖度指标。设置新颖度阈值，当计算得到的信息熵低于阈值时，表示推荐新颖性不足。这种情况下，需要启动冷启动推荐生成器来提供更加个性化的推荐。冷启动生成器利用scikit learn构建随机森林模型。将用户的多维特征向量作为随机森林模型的输入。模型输出对各商品的推荐概率，形成个性化的候选列表。从候选列表中根据新颖度要求进行二次过滤，产生新颖的冷启动推荐结果。将冷启动结果与主模型结果组合，作为最终推荐输出。
8、其中，输入用户的多维画像，表示用户的基础特征和行为偏好。冷启动推荐生成器使用协同过滤或者基于内容的算法。如果使用协同过滤，则找到与当前用户在画像上最相似的k个邻居用户。检索这k个用户的历史购买/浏览商品，作为候选集。如果使用基于内容的方法，则直接根据用户画像中反映的商品偏好，检索出符合要求的商品作为候选集。对候选集中的商品，检索它们的商品特征向量。计算用户多维画像向量与商品特征向量之间的相似度。选择与用户画像向量相似度最高的n个商品作为生成的推荐集。进一步对推荐集去重，确保其中商品未在其他列表中出现过。最终得到符合用户兴趣偏好且新颖未重复的商品推荐集。
9、将生成的商品id集合与第一推荐列表进行拼接，生成第二推荐列表作为针对用户的商品id推荐列表。其中，已经生成了基于协同过滤的第一推荐列表，包含k1个本文档来自技高网...
【技术保护点】
1.一种基于互联网的电商在线直播方法，包括：
2.根据权利要求1所述的基于互联网的电商在线直播方法，其特征在于：
3.根据权利要求2所述的基于互联网的电商在线直播方法，其特征在于：
4.根据权利要求3所述的基于互联网的电商在线直播方法，其特征在于：
5.根据权利要求3所述的基于互联网的电商在线直播方法，其特征在于：
6.根据权利要求5所述的基于互联网的电商在线直播方法，其特征在于：
7.根据权利要求3所述的基于互联网的电商在线直播方法，其特征在于：
8.根据权利要求7所述的基于互联网的电商在线直播方法，其特征在于：
9.根据权利要求7所述的基于互联网的电商在线直播方法，其特征在于：
10.根据权利要求9所述的基于互联网的电商在线直播方法，其特征在于：
【技术特征摘要】
1.一种基于互联网的电商在线直播方法，包括：
2.根据权利要求1所述的基于互联网的电商在线直播方法，其特征在于：
3.根据权利要求2所述的基于互联网的电商在线直播方法，其特征在于：
4.根据权利要求3所述的基于互联网的电商在线直播方法，其特征在于：
5.根据权利要求3所述的基于互联网的电商在线直播方法，其特征在于：
6.根...
【专利技术属性】
技术研发人员：郝壮壮，王志鹏，
申请(专利权)人：公安县谦合广告装饰有限公司，
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。