CN110008408B - 一种会话推荐方法、***、设备及介质 - Google Patents
一种会话推荐方法、***、设备及介质 Download PDFInfo
- Publication number
- CN110008408B CN110008408B CN201910295359.9A CN201910295359A CN110008408B CN 110008408 B CN110008408 B CN 110008408B CN 201910295359 A CN201910295359 A CN 201910295359A CN 110008408 B CN110008408 B CN 110008408B
- Authority
- CN
- China
- Prior art keywords
- session
- current
- conversation
- current session
- memory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开公开了一种会话推荐方法、***、设备及介质,包括:从用户的网页浏览日志中获取当前会话;当前会话,包括当前时间间隔内用户浏览过的商品;基于已经训练好的协同会话推荐机模型,为当前会话筛选推荐候选商品,对每个推荐候选商品计算推荐概率;按照推荐概率由高到低对推荐候选商品进行排序,选择分数最高的若干项,展示在推荐列表中。结合协同过滤思想和记忆网络机制,同时使用会话自身信息和协同邻域信息,提高推荐性能。
Description
技术领域
本公开涉及一种会话推荐方法、***、设备及介质。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
会话指的是服务器端用来跟踪记录用户的浏览点击行为,并据此识别用户的一种机制,典型的应用场景比如购物车。在本公开中将会话理解为具有时序关系的一组记录序列。会话推荐的目的是基于用户当前的选择行为,预测用户的购物目的,从而为用户推荐其可能感兴趣的物品。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
由于在实际的购物网站或音乐平台等应用场景中,出于隐私或者成本方面的考虑,平台通常很难获得用户的基本信息,例如用户的身份特征和评分信息,此时传统的推荐方法并不适用。
发明内容
为了解决现有技术的不足,本公开提供了一种会话推荐方法、***、设备及介质,其具有首先利用会话的信息得出当前用户的兴趣偏好,之后再得出每个候选商品的推荐概率,据此得出最后的推荐列表,结合协同过滤思想和记忆网络机制,同时使用会话自身信息和协同邻域信息,提高推荐性能。
第一方面,本公开提供了一种会话推荐方法;
一种会话推荐方法,包括:
从用户的网页浏览日志中获取当前会话;当前会话,包括当前时间间隔内用户浏览过的商品;
基于已经训练好的协同会话推荐机模型,为当前会话筛选推荐候选商品,对每个推荐候选商品计算推荐概率;
按照推荐概率由高到低对推荐候选商品进行排序,选择分数最高的若干项,展示在推荐列表中。
第二方面,本公开还提供了一种会话推荐***;
一种会话推荐***,包括:
当前会话获取模块:从用户的网页浏览日志中获取当前会话;当前会话,包括当前时间间隔内用户浏览过的商品;
推荐概率计算模块:基于已经训练好的协同会话推荐机模型,为当前会话筛选推荐候选商品,对每个推荐候选商品计算推荐概率;
推荐展示模块:按照推荐概率由高到低对推荐候选商品进行排序,选择分数最高的若干项,展示在推荐列表中。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
与现有技术相比,本公开的有益效果是:本公开旨在结合协同过滤和记忆网络来提升会话推荐的性能。相比于之前的会话型推荐技术,本方法可以同时考虑会话自身序列的特征信息和邻居会话中的协同邻域信息,从而构建一个更好的推荐***。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开第一个实施例的方法流程图;
图2为本公开第一个实施例的CSRM的工作流程图;
图3为本公开第二个实施例的***功能模块图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:本实施例提供了一种会话推荐方法;
如图1所示,一种会话推荐方法,包括:
从用户的网页浏览日志中获取当前会话;当前会话,包括当前时间间隔内用户浏览过的商品;
基于已经训练好的协同会话推荐机模型,为当前会话筛选推荐候选商品,对每个推荐候选商品计算推荐概率;
按照推荐概率由高到低对推荐候选商品进行排序,选择分数最高的若干项,展示在推荐列表中。
作为一个或多个实施例,所述从用户的网页浏览日志中获取当前会话:
对于网站收集的用户浏览日志数据,按照设定时间间隔将一个用户的日志记录划分为若干条会话,每条会话中包括:每个时间间隔内用户浏览过的商品及商品介绍信息。
应理解的,所述用户浏览过的商品为用户点击过的商品链接。
应理解的,将整个会话数据集分成训练集,验证集和测试集。
应理解的,所述当前时间间隔,是设定值,可以是十分钟、二十分钟或三十分钟等。
作为一个或多个实施例,所述协同会话推荐机模型,包括:内部记忆编码器、外部记忆编码器和推荐解码器;
所述内部记忆编码器,包括:全局编码器和局部编码器;全局编码器为第一门控循环单元GRU,局部编码器为第二门控循环单元GRU与注意力机制的结合,所述全局编码器对当前会话进行编码得到当前会话的序列行为信息特征;所述局部编码器对当前会话的序列行为信息特征进行编码,得到当前会话的意图信息特征;然后,将序列行为信息特征和意图信息特征进行拼接后得到当前会话的内部记忆编码特征;
所述外部记忆编码器,包括:记忆网络Memory Network,记忆网络Memory Network中设有记忆矩阵memory matrix,所述记忆矩阵利用先进先出的原则存储当前会话的邻居会话和其意图信息特征;根据意图信息特征和余弦相似度,从记忆矩阵中筛选与当前会话最相似的k个相邻的会话;根据最相似的k个相邻的会话与当前会话的余弦相似度,计算邻居会话的权重;根据最相似的k个相邻的会话和其不同权重,计算当前会话的外部记忆编码特征;
所述推荐解码器,对当前会话的内部记忆编码特征和当前会话的外部记忆编码特征进行融合,得到会话的最终特征;计算会话的最终特征所对应候选商品的推荐概率。
作为一个或多个实施例,协同会话推荐机模型训练过程中所使用的训练数据为当前会话:
将当前会话中用户浏览过的商品和商品介绍信息,输入到协同会话推荐机模型中,对协同会话推荐机模型进行训练,协同会话推荐机模型训练好的标准是交叉熵损失函数值小于设定阈值的时刻所对应的协同会话推荐机模型,即为训练好的协同会话推荐机模型。
作为一个或多个实施例,全局编码器对当前会话进行编码得到当前会话的序列行为信息特征,具体步骤包括:
其中,更新门zτ的计算公式表示为:
zτ=σ(Wzxτ+Uzhτ-1) (2)
其中,xτ是商品的表示,Wz和Uz是权重矩阵,σ表示sigmoid函数,σ(x)=1/(1+exp(-x)),hτ-1表示前一时刻的隐藏状态。
其中,W和U表示权重矩阵;
其中,重置门rτ的计算公式表示为:
rτ=σ(Wrxτ+Urhτ-1) (4)
其中,Wr和Ur是权重矩阵;
作为一个或多个实施例,局部编码器对当前会话的序列行为信息特征进行编码,得到当前会话的意图信息特征,具体步骤包括:
在全局编码器中,当前会话Xt被编码到门控循环单元对应的内部记忆矩阵Ht=[h1,h2,...,hτ,...,hn]中,内部记忆矩阵指的是根据门控循环单元内部的记忆单元生成的向量hτ而形成的矩阵Ht;局部编码器从内部记忆矩阵中读取当前会话的序列行为信息特征;
对于当前会话Xt,加权因子αnj建模局部编码器中最后的隐藏状态表示hn和先前某个商品被用户选择时刻的隐藏状态表示hj之间的关系,计算两个表示之间的加权因子αnj:
αnj=vTσ(A1hn+A2hj) (6)
其中,σ是激活函数,向量vT、矩阵A1和A2都是通过训练学习的参数。
其中,sigmoid函数σ(x)=1/(1+exp(-x))。
作为一个或多个实施例,将序列行为信息特征和意图信息特征进行拼接后得到当前会话的内部记忆编码特征,具体步骤包括:
作为一个或多个实施例,根据意图信息特征和余弦相似度,从记忆矩阵中筛选与当前会话最相似的k个相邻的会话;具体步骤包括:
其中,M表示记忆矩阵memory matrix;
作为一个或多个实施例,根据最相似的k个相邻的会话与当前会话的余弦相似度,计算邻居会话的权重;具体步骤包括:
其中,β是强度参数,wtp表示邻居会话的权重,表示当前会话的k近邻中第p个相似度值,表示求和时当前会话的k近邻中某个相似度值,exp表示以自然常数e为底的指数函数;表示对所有的相似度值的指数值求和,以便计算第p个相似度值的权重。
上述技术方案的有益效果是:这些邻居会话的权重也反映了每个邻居对当前会话都存在着不同的影响,它们允许模型对邻居会话中越相似的会话安排越高的权重。
作为一个或多个实施例,根据最相似的k个相邻的会话和其不同权重,计算当前会话的外部记忆编码特征,具体步骤包括:
作为一个或多个实施例,对当前会话的内部记忆编码特征和当前会话的外部记忆编码特征进行融合,得到会话的最终特征,具体步骤包括:
会话最终的特征表示ct的计算公式如下:
其中融合门ft的计算公式表示为:
其中,σ表示sigmoid函数,Wl,Wg和Wo表示待学习的矩阵参数。
作为一个或多个实施例,计算会话的最终特征所对应候选商品的推荐概率,具体步骤包括:
每个候选商品计算出最终的推荐概率P(i|Xt):
进一步地,所述交叉熵损失函数,具体是指:
其中,指的是训练集中所有会话的集合;P(i|X)是给定会话X时,协同会话推荐机模型关于商品i的预测概率值;1(i,X)则是真实概率值。当会话X的top-N推荐列表中包含商品i时,1(i,X)=1,否则,1(i,X)=0。
在整个学习过程中,本实施例采用基于时间的反向传播算法来优化协同会话推荐机模型。
以某个会话的推荐过程为例,我们介绍下具体的技术方案。本公开采用了端到端神经网络框架,名称为协同会话推荐机(Collaborative Session-based RecommendationMachine,CSRM)。本公开包含三个主要模块:一个内部记忆编码器(Inner Memory Encoder,IME),一个外部记忆编码器(Outer Memory Encoder,OME)和一个推荐解码器。IME模块根据循环神经网络,建模包含在当前会话内的特征信息。其表示又可以经由两个编码方案得到,即全局编码器和局部编码器。具体来讲,全局编码器利用循环神经网络获得整个会话中包含的全局视角下的序列特征,而局部编码器在此基础上又引入了一种注意力机制,通过计算循环神经网络内先前各个隐藏状态的加权和,自适应地关注当前会话中比较重要的商品,得出局部视角下的特征表示。关于OME模块,它考虑了协同过滤的思想,借助于外部的记忆网络模块来提取邻居会话中包含的协同信息,以便于能够更好地预测当前会话的意图。其中,OME模块中包含的寻址机制能够自动识别当前会话的邻居会话。之后,本公开引入了一个融合门机制来结合IME模块和OME模块两者的特征表示,以形成最终的统一融合表示。在推荐解码器模块中,我们基于这个最终表示,为每个候选商品计算一个推荐分数,预测候选商品的推荐概率。CSRM的工作流程图如图2所示;
下面详细介绍CSRM的各个模块。使用Xt=[x1,x2,...,xτ,...,xn]来表示推荐过程中的第t(t≥1)个会话,也就是例子中的当前会话,其中是用户在会话中交互过的一个商品。假设用户在某段连续时间内相继点击了Phone1,Phone2,Phone3三个商品,那么每个用户点击过的商品都可以称为用户与之有着交互,而[Phone1,Phone2,Phone3]便形成了一个会话。
内部记忆编码器IME模块试图编码包含在当前会话中的有用信息。它由两个组件构成,即全局编码器和局部编码器。全局编码器被用来建模整个会话中的序列行为信息。而局部编码器被用来着重关注具体的行为,也就是当前会话中相对比较重要的商品。使用一个门控循环单元(Gated Recurrent Unit,GRU)作为全局编码器。
为了考虑邻居会话中协同信息,提出了外部记忆编码器OME。OME模块利用外部记忆矩阵M,按照时间顺序存储最近一段时间内的m个会话表示,并且从该矩阵中动态地选择当前会话的邻居会话,也就是与当前会话有着相似行为模式的会话。
在每轮实验的开始阶段,外部记忆矩阵都是空的。采用先进先出机制来更新记忆矩阵,矩阵中总是存储着最近一段时间内的m个会话。当新的会话被写入外部记忆矩阵时,最早的会话被从外部记忆矩阵中移除出去,新的被加进队列中来。特别注意一种情况,当记忆矩阵并没有满的时候,会话应该直接被加到矩阵中,不需要移除矩阵中现有的任何会话。
推荐解码器可以评估商品接下来被点击的概率。为了选择性地结合IME模块和OME模块的信息,我们使用融合门机制来构建模型最终的会话表示,以平衡会话自身信息和协同邻域信息之间的重要性。
实施例二:本实施例还提供了一种会话推荐***;
如图3所示,一种会话推荐***,包括:
当前会话获取模块:从用户的网页浏览日志中获取当前会话;当前会话,包括当前时间间隔内用户浏览过的商品;
推荐概率计算模块:基于已经训练好的协同会话推荐机模型,为当前会话筛选推荐候选商品,对每个推荐候选商品计算推荐概率;
推荐展示模块:按照推荐概率由高到低对推荐候选商品进行排序,选择分数最高的若干项,展示在推荐列表中。
实施例三:本实施例还提供了一种电子设备;
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成方法中的各个操作,为了简洁,在此不再赘述。
所述电子设备可以是移动终端以及非移动终端,非移动终端包括台式计算机,移动终端包括智能手机(Smart Phone,如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解,在本公开中,该处理器可以是中央处理单元CPU,该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外一点,所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种会话推荐方法,其特征是,包括:
从用户的网页浏览日志中获取当前会话;当前会话,包括当前时间间隔内用户浏览过的商品;
基于已经训练好的协同会话推荐机模型,为当前会话筛选推荐候选商品,对每个推荐候选商品计算推荐概率;
按照推荐概率由高到低对推荐候选商品进行排序,选择分数最高的若干项,展示在推荐列表中;
所述协同会话推荐机模型,包括:内部记忆编码器、外部记忆编码器和推荐解码器;
所述内部记忆编码器,包括:全局编码器和局部编码器;全局编码器为第一门控循环单元GRU,局部编码器为第二门控循环单元GRU与注意力机制的结合,所述全局编码器对当前会话进行编码得到当前会话的序列行为信息特征;所述局部编码器对当前会话的序列行为信息特征进行编码,得到当前会话的意图信息特征;然后,将序列行为信息特征和意图信息特征进行拼接后得到当前会话的内部记忆编码特征;
所述外部记忆编码器,包括:记忆网络Memory Network,记忆网络Memory Network中设有记忆矩阵memory matrix,所述记忆矩阵利用先进先出的原则存储当前会话的邻居会话和其意图信息特征;根据意图信息特征和余弦相似度,从记忆矩阵中筛选与当前会话最相似的k个相邻的会话;根据最相似的k个相邻的会话与当前会话的余弦相似度,计算邻居会话的权重;根据最相似的k个相邻的会话和其不同权重,计算当前会话的外部记忆编码特征;
所述推荐解码器,对当前会话的内部记忆编码特征和当前会话的外部记忆编码特征进行融合,得到会话的最终特征;计算会话的最终特征所对应候选商品的推荐概率。
2.如权利要求1所述的方法,其特征是,协同会话推荐机模型训练过程中所使用的训练数据为当前会话:
将当前会话中用户浏览过的商品和商品介绍信息,输入到协同会话推荐机模型中,对协同会话推荐机模型进行训练,协同会话推荐机模型训练好的标准是交叉熵损失函数值小于设定阈值的时刻所对应的协同会话推荐机模型,即为训练好的协同会话推荐机模型。
3.如权利要求1所述的方法,其特征是,全局编码器对当前会话进行编码得到当前会话的序列行为信息特征,具体步骤包括:
其中,更新门zτ的计算公式表示为:
zτ=σ(Wzxτ+Uzhτ-1) (2)
其中,xτ是商品的表示,Wz和Uz是权重矩阵,σ表示sigmoid函数,
σ(x)=1/(1+exp(-x)),hτ-1表示前一时刻的隐藏状态;
其中,W和U表示权重矩阵;
其中,重置门rτ的计算公式表示为:
rτ=σ(Wrxτ+Urhτ-1) (4)
其中,Wr和Ur是权重矩阵;
4.如权利要求1所述的方法,其特征是,局部编码器对当前会话的序列行为信息特征进行编码,得到当前会话的意图信息特征,具体步骤包括:
在全局编码器中,当前会话Xt被编码到门控循环单元对应的内部记忆矩阵Ht=[h1,h2,...,hτ,...,hn]中,内部记忆矩阵指的是根据门控循环单元内部的记忆单元生成的向量hτ而形成的矩阵Ht;局部编码器从内部记忆矩阵中读取当前会话的序列行为信息特征;
对于当前会话Xt,加权因子αnj建模局部编码器中最后的隐藏状态表示hn和先前某个商品被用户选择时刻的隐藏状态表示hj之间的关系,计算两个表示之间的加权因子αnj:
αnj=vTσ(A1hn+A2hj) (6)
其中,σ是激活函数,向量vT、矩阵A1和A2都是通过训练学习的参数;
其中,sigmoid函数σ(x)=1/(1+exp(-x));
将序列行为信息特征和意图信息特征进行拼接后得到当前会话的内部记忆编码特征,具体步骤包括:
5.如权利要求1所述的方法,其特征是,
根据意图信息特征和余弦相似度,从记忆矩阵中筛选与当前会话最相似的k个相邻的会话;具体步骤包括:
其中,M表示记忆矩阵memory matrix;
根据最相似的k个相邻的会话与当前会话的余弦相似度,计算邻居会话的权重;具体步骤包括:
其中,β是强度参数,wtp表示邻居会话的权重,表示当前会话的k近邻中第p个相似度值,表示求和时当前会话的k近邻中某个相似度值,exp表示以自然常数e为底的指数函数;表示对所有的相似度值的指数值求和,以便计算第p个相似度值的权重;
根据最相似的k个相邻的会话和其不同权重,计算当前会话的外部记忆编码特征,具体步骤包括:
7.一种会话推荐***,包括:
当前会话获取模块:从用户的网页浏览日志中获取当前会话;当前会话,包括当前时间间隔内用户浏览过的商品;
推荐概率计算模块:基于已经训练好的协同会话推荐机模型,为当前会话筛选推荐候选商品,对每个推荐候选商品计算推荐概率;
推荐展示模块:按照推荐概率由高到低对推荐候选商品进行排序,选择分数最高的若干项,展示在推荐列表中;
所述协同会话推荐机模型,包括:内部记忆编码器、外部记忆编码器和推荐解码器;
所述内部记忆编码器,包括:全局编码器和局部编码器;全局编码器为第一门控循环单元GRU,局部编码器为第二门控循环单元GRU与注意力机制的结合,所述全局编码器对当前会话进行编码得到当前会话的序列行为信息特征;所述局部编码器对当前会话的序列行为信息特征进行编码,得到当前会话的意图信息特征;然后,将序列行为信息特征和意图信息特征进行拼接后得到当前会话的内部记忆编码特征;
所述外部记忆编码器,包括:记忆网络Memory Network,记忆网络Memory Network中设有记忆矩阵memory matrix,所述记忆矩阵利用先进先出的原则存储当前会话的邻居会话和其意图信息特征;根据意图信息特征和余弦相似度,从记忆矩阵中筛选与当前会话最相似的k个相邻的会话;根据最相似的k个相邻的会话与当前会话的余弦相似度,计算邻居会话的权重;根据最相似的k个相邻的会话和其不同权重,计算当前会话的外部记忆编码特征;
所述推荐解码器,对当前会话的内部记忆编码特征和当前会话的外部记忆编码特征进行融合,得到会话的最终特征;计算会话的最终特征所对应候选商品的推荐概率。
8.一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910295359.9A CN110008408B (zh) | 2019-04-12 | 2019-04-12 | 一种会话推荐方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910295359.9A CN110008408B (zh) | 2019-04-12 | 2019-04-12 | 一种会话推荐方法、***、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008408A CN110008408A (zh) | 2019-07-12 |
CN110008408B true CN110008408B (zh) | 2021-04-06 |
Family
ID=67171553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910295359.9A Active CN110008408B (zh) | 2019-04-12 | 2019-04-12 | 一种会话推荐方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008408B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490717B (zh) * | 2019-09-05 | 2021-11-05 | 齐鲁工业大学 | 基于用户会话及图卷积神经网络的商品推荐方法及*** |
CN110795618B (zh) * | 2019-09-12 | 2024-05-14 | 腾讯科技(深圳)有限公司 | 内容推荐方法、装置、设备及计算机可读存储介质 |
CN110930219B (zh) * | 2019-11-14 | 2022-10-18 | 电子科技大学 | 一种基于多特征融合的个性化电商推荐方法 |
CN111178032A (zh) * | 2019-12-18 | 2020-05-19 | 福建升腾资讯有限公司 | 基于协同过滤的表单批量录入方法、***、设备和介质 |
CN111259243B (zh) * | 2020-01-14 | 2023-06-06 | 中山大学 | 基于会话的并行推荐方法及*** |
CN111310023B (zh) * | 2020-01-15 | 2023-06-30 | 中国人民大学 | 基于记忆网络的个性化搜索方法及*** |
CN111581519B (zh) * | 2020-05-25 | 2022-10-18 | 中国人民解放军国防科技大学 | 基于会话中用户意图的物品推荐方法和*** |
CN112163147A (zh) * | 2020-06-09 | 2021-01-01 | 中森云链(成都)科技有限责任公司 | 一种用于网站会话场景的推荐方法 |
CN111881269A (zh) * | 2020-06-24 | 2020-11-03 | 北京三快在线科技有限公司 | 推荐对象确定方法、装置、电子设备及存储介质 |
CN111882381B (zh) * | 2020-06-30 | 2022-06-03 | 桂林电子科技大学 | 一种基于协同记忆网络的旅游推荐方法 |
CN112115352A (zh) * | 2020-08-28 | 2020-12-22 | 齐鲁工业大学 | 基于用户兴趣的会话推荐方法及*** |
CN112685657B (zh) * | 2021-01-06 | 2022-03-04 | 中国计量大学 | 一种基于多模态交叉融合图网络的会话社交推荐方法 |
CN112905886B (zh) * | 2021-02-22 | 2022-02-08 | 中国计量大学 | 一种基于多兴趣重复网络的会话推荐方法 |
CN113326425B (zh) * | 2021-04-20 | 2022-09-20 | 中国电子科技集团公司第五十四研究所 | 一种基于结构和语义注意力堆叠的会话推荐方法及*** |
CN113239276A (zh) * | 2021-05-31 | 2021-08-10 | 上海明略人工智能(集团)有限公司 | 一种基于会话信息确定推荐物料的方法和装置 |
CN113704627B (zh) * | 2021-09-06 | 2022-05-17 | 中国计量大学 | 一种基于时间间隔图的会话推荐方法 |
CN113704439B (zh) * | 2021-09-06 | 2022-02-22 | 中国计量大学 | 一种基于多来源信息异构图的会话推荐方法 |
CN114862496A (zh) * | 2022-04-06 | 2022-08-05 | 华南理工大学 | 一种基于用户个性化建模的会话推荐方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514239A (zh) * | 2012-11-26 | 2014-01-15 | Tcl美国研究所 | 一种集成用户行为和物品内容的推荐方法及*** |
CN104899273A (zh) * | 2015-05-27 | 2015-09-09 | 东南大学 | 一种基于话题和相对熵的网页个性化推荐方法 |
WO2017015231A1 (en) * | 2015-07-17 | 2017-01-26 | Fido Labs, Inc. | Natural language processing system and method |
CN107944911A (zh) * | 2017-11-18 | 2018-04-20 | 电子科技大学 | 一种基于文本分析的推荐***的推荐方法 |
CN108921657A (zh) * | 2018-06-25 | 2018-11-30 | 中国人民大学 | 一种基于知识增强记忆网络的序列推荐方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9672526B2 (en) * | 2012-03-13 | 2017-06-06 | American Express Travel Related Services Company, Inc. | Systems and methods for tailoring marketing |
CN105488216B (zh) * | 2015-12-17 | 2020-08-21 | 上海中彦信息科技股份有限公司 | 基于隐式反馈协同过滤算法的推荐***及方法 |
CN105740430B (zh) * | 2016-01-29 | 2018-08-14 | 大连理工大学 | 一种融合社会化信息的个性化推荐方法 |
CN107423442B (zh) * | 2017-08-07 | 2020-09-25 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN108763314B (zh) * | 2018-04-26 | 2021-01-19 | 深圳市腾讯计算机***有限公司 | 一种兴趣推荐方法、装置、服务器及存储介质 |
CN109543112A (zh) * | 2018-11-30 | 2019-03-29 | 苏州大学 | 一种基于循环卷积神经网络的序列推荐方法及装置 |
-
2019
- 2019-04-12 CN CN201910295359.9A patent/CN110008408B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514239A (zh) * | 2012-11-26 | 2014-01-15 | Tcl美国研究所 | 一种集成用户行为和物品内容的推荐方法及*** |
CN104899273A (zh) * | 2015-05-27 | 2015-09-09 | 东南大学 | 一种基于话题和相对熵的网页个性化推荐方法 |
WO2017015231A1 (en) * | 2015-07-17 | 2017-01-26 | Fido Labs, Inc. | Natural language processing system and method |
CN107944911A (zh) * | 2017-11-18 | 2018-04-20 | 电子科技大学 | 一种基于文本分析的推荐***的推荐方法 |
CN108921657A (zh) * | 2018-06-25 | 2018-11-30 | 中国人民大学 | 一种基于知识增强记忆网络的序列推荐方法 |
Non-Patent Citations (3)
Title |
---|
"Improving music recommendation in session-based collaborative filtering by using temporal context";Ricardo Dias 等;《2013 IEEE 25th International Conference on Tools with Artificial Intelligence》;20131231;第783-788页 * |
"Web-based推荐***中的会话推荐多样性研究";李晶皎 等;《小型微型计算机***》;20140630;第1265-1269页 * |
"协同过滤推荐算法在社父网络中的研究与应用";火生旭;《中国优秀硕士论文全文数据库 信息科技辑》;20190315;I138-1004 * |
Also Published As
Publication number | Publication date |
---|---|
CN110008408A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008408B (zh) | 一种会话推荐方法、***、设备及介质 | |
CN112669096B (zh) | 对象推荐模型训练方法以及装置 | |
CN107895038A (zh) | 一种链路预测关系推荐方法及装置 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN115994226B (zh) | 基于联邦学习的聚类模型训练***及方法 | |
CN109446431A (zh) | 用于信息推荐的方法、装置、介质、和计算设备 | |
CN107368499B (zh) | 一种客户标签建模及推荐方法及装置 | |
CN109670624B (zh) | 一种预估用餐等候时间的方法及装置 | |
CN110555749B (zh) | 基于神经网络的信用行为预测方法以及装置 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN106909560A (zh) | 兴趣点排序方法 | |
CN112464106B (zh) | 对象推荐方法及装置 | |
CN110348947A (zh) | 对象推荐方法及装置 | |
CN110008318A (zh) | 问题派发方法及装置 | |
CN112785069A (zh) | 终端设备换机的预测方法和装置、存储介质和电子设备 | |
CN110209944B (zh) | 一种股票分析师推荐方法、装置、计算机设备和存储介质 | |
CN110232148B (zh) | 项目推荐***、方法以及装置 | |
CN116127188A (zh) | 目标反馈值确定方法、装置、电子设备及存储介质 | |
CN115618079A (zh) | 会话推荐方法、装置、电子设备及存储介质 | |
CN113627513A (zh) | 一种训练数据生成方法、***、电子设备及存储介质 | |
CN113128739A (zh) | 用户触达时间的预测方法、预测模型训练方法及相关装置 | |
CN116992157B (zh) | 一种基于生物神经网络的广告推荐方法 | |
CN113837811B (zh) | 一种电梯广告点位推荐方法、装置、计算机设备及存储介质 | |
GB2549792A (en) | Methods and apparatus for use in predicting non-stationary time-series data | |
CN117454956A (zh) | 项目推荐模型的训练方法、项目推荐方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |