CN116629983A - 基于用户偏好的跨领域商品推荐方法及*** - Google Patents
基于用户偏好的跨领域商品推荐方法及*** Download PDFInfo
- Publication number
- CN116629983A CN116629983A CN202310905017.0A CN202310905017A CN116629983A CN 116629983 A CN116629983 A CN 116629983A CN 202310905017 A CN202310905017 A CN 202310905017A CN 116629983 A CN116629983 A CN 116629983A
- Authority
- CN
- China
- Prior art keywords
- commodity
- preference
- user
- target
- domain
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于人工智能神经网络技术领域,公开了一种基于用户偏好的跨领域商品推荐方法及***,该方法包括:训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好;训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好;利用商品偏好和商品方面类别偏好获得商品偏好评分和商品方面类别偏好评分;将商品偏好评分和商品方面类别偏好评分进行综合评估获得商品评分;根据商品评分向冷启动用户推荐目标领域的商品。本发明在考虑源领域的用户商品偏好的情况下,加入了用户对商品方面类别的偏好以及购买过程中用户和商品的交互信息,从而使得最终推荐的结果更加的精准。
Description
技术领域
本发明属于人工智能神经网络技术领域,尤其涉及一种基于用户偏好的跨领域商品推荐方法及***。
背景技术
在商品推荐***中,可以根据用户的购买记录、偏好、评论等信息来向目标用户推荐相关产品和服务。这种推荐效果不错,而且易于实现,但是,对于新用户,由于没有购买记录、偏好等信息,推荐***很难针对性的为用户提供产品和服务推荐,即所谓的冷启动问题。
目前的研究通常采用跨领域推荐的方法来解决冷启动问题,跨领域推荐致力于把源领域的用户偏好信息转换到目标领域来实现。而如何定义这个偏好信息是一个方法模型效果好坏的重要因素,目前的研究大多只考虑用户对商品的偏好,而忽略了用户对商品类别(后面称商品方面)的偏好,以及在购买过程中用户和商品的交互信息,即用户对商品的评价等信息。这些重要的信息是用户在商品购买过程中发生的不可忽略的交互关系。而忽略上述关系会导致***推荐的结果并不尽如人意。
发明内容
有鉴于此,本发明提供一种基于用户偏好的跨领域商品推荐方法和***,在考虑源领域的用户商品偏好的情况下,加入了用于对商品方面类别的偏好以及购买过程中用户和商品的交互信息,从而使得最终推荐的结果更加的精准。
为解决以上技术问题,本发明的技术方案为采用一种基于用户偏好的跨领域商品推荐方法,包括:
利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好;
利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好;
将用户在目标领域的商品偏好与目标领域中的商品进行评估获得商品偏好评分;将用户在目标领域商品方面类别的偏好与目标领域中的商品以及商品评论进行评估获得商品方面类别偏好评分;将商品偏好评分和商品方面类别偏好评分进行综合评估获得商品评分;
根据商品评分向冷启动用户推荐目标领域的商品。
作为一种改进,所述利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好的方法包括:
将重叠用户在源领域的商品购买记录转换为历史购买向量后进行编码获取隐状态;
对隐状态通过平均池化进行降维获得购买向量;
利用购买向量和源领域中的全商品嵌入矩阵计算重叠用户在源领域中的商品偏好;
利用重叠用户在源领域和目标领域共同购买商品的次数、源领域中的商品嵌入矩阵以及目标领域中的商品嵌入矩阵计算重叠用户在源领域和目标领域同时购买商品的共现概率评分矩阵;
利用冷启动用户在源领域中的商品偏好、共现概率评分矩阵以及目标领域的全商品嵌入矩阵计算冷启动用户在目标领域的商品偏好。
作为一种进一步的改进,所述利用购买向量和源领域中的全商品嵌入矩阵计算重叠用户在源领域中的商品偏好的方法为:
利用公式
计算重叠用户在源领域购买每一样商品的权重;其中是重叠用户ui在源领域的购买权重向量,/>是/>中的第j个分量,hui是重叠用户ui在源领域的购买向量;是源领域中全商品嵌入矩阵;W为权重;
重叠用户在源领域购买商品的权重为重叠用户在源领域中的商品偏好;
计算重叠用户在源领域和目标领域同时购买商品的共现概率评分矩阵为:
利用公式
计算共现概率评分矩阵;其中,是共现概率评分矩阵中的概率值,/>是源领域中商品ii与目标领域中商品ij被重叠用户共同购买的次数,/>是源领域中商品的集合,/>是目标领域中商品的集合;/>是源领域中商品与目标领域中商品被重叠用户共同购买的次数的总和;
计算冷启动用户在目标领域的商品偏好的方法为:
利用公式
计算冷启动用户在目标领域的商品偏好;其中,是冷启动用户在目标领域的商品偏好,/>是用于在源领域的商品偏好,S是共现概率评分矩阵,It是目标领域的全商品嵌入矩阵。
作为另一种更进一步的改进,所述利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好的方法包括:
获取重叠用户在源领域和目标领域的方面类别偏好概率;
利用重叠用户在源领域和目标领域的方面类别偏好概率,计算重叠用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率;
通过所述条件概率与被推荐用户在源领域的方面类别偏好概率计算被推荐用户在目标领域的方面类别偏好概率;
利用被推荐用户在目标领域的方面类别偏好概率与目标领域的方面类别矩阵计算被推荐用户在目标领域的方面类别偏好。
作为一种改进,所述获取重叠用户在源领域和目标领域的方面类别偏好概率的方法为:
利用公式
计算重叠用户在源领域的方面类别偏好概率;其中,是重叠用户在源领域的方面类别概率,/>是选择某个方面类别的次数,/>是源领域中第k个方面类别;/>是源领域中方面类别被选择的次数的总和,/>是源领域中第m个方面类别;
利用公式
计算重叠用户在目标领域的方面类别偏好概率;其中,是重叠用户在目标领域的方面类别概率,/>是选择某个方面类别的次数,/>是目标领域中第j个方面类别;/>是目标领域中方面类别被选择的次数的总和,/>是目标领域中第m个方面类别;
计算冷启动用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率的方法为:
利用公式
估算冷启动用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率;其中,是条件概率,/>是冷启动用户在目标领域的商品偏好向量,/>是源领域中第k个方面类别向量,/>是目标领域中第j个方面类别向量,W是权重,/>是目标领域中商品的集合;/>是概率得分,/>是概率得分的总和;
利用公式
估算冷启动用户在目标领域的方面类别偏好概率;其中,是冷启动用户在目标领域的方面类别预测概率,/>是条件概率,/>是冷启动用户在源领域的方面类别偏好概率,/>是源领域中商品的集合;
利用公式
优化冷启动用户在目标领域的方面类别预测概率;其中Lp为概率目标函数;
所述利用冷启动用户在目标领域的方面类别偏好概率与目标领域的方面类别矩阵计算冷启动用户在目标领域的方面类别偏好的方法为:
利用公式
计算冷启动用户在目标领域的方面类别偏好,其中,是方面类别偏好向量,是冷启动用户在目标领域的方面类别预测概率,/>是目标领域方面类别向量。
作为一种改进,将冷启动用户对目标领域的商品偏好与目标领域中的商品进行评估的方法为:
利用公式
计算冷启动用户对目标领域的商品偏好评分;其中,是商品偏好评分,/>是冷启动用户在目标领域的商品偏好向量,/>是目标领域中全商品嵌入向量,W是权重。
作为一种改进,将冷启动用户对目标领域的商品方面类别的偏好与目标领域中的商品进行评估的方法为:
利用公式
计算冷启动用户对目标领域的商品方面类别偏好评分;其中,是商品方面类别偏好评分,/>是方面类别序列,/>是方面类别极性向量,/>是注意力机制向量;W是权重;
所述方面类别序列和方面类别极性向量/>来自目标领域的商品评论集合;
利用公式
计算注意力机制向量;其中,是注意力机制向量,W是权重,b是偏置,/>是方面类别偏好向量,/>是方面类别序列,/>是方面类别向量序列中第k个方面类别向量,是方面类别向量序列中第n个方面类别向量。
作为一种改进,将商品偏好评分和商品方面类别偏好评分进行综合评估的方法为:
利用公式
计算商品评分;其中,是商品评分,/>是商品偏好评分,/>是商品方面类别偏好评分,/>是0~1之间的超参数。
作为一种改进,所述根据商品评分向冷启动用户推荐目标领域的商品的方法为:
设置评分阈值,将商品评分高于评分阈值的商品推荐给冷启动用户;或者,
设置排名阈值,将评分排名高于排名阈值的商品推荐给冷启动用户。
本发明还提供一种基于用户偏好的跨领域商品推荐***,包括:
商品偏好获取模块,用于利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好;
商品方面类别的偏好获取模块,用于利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好;
商品评分模块,将冷启动用户对目标领域的商品偏好与目标领域中的商品进行评估获得商品偏好评分;将冷启动用户对目标领域商品方面类别的偏好与目标领域中的商品以及商品评论进行评估获得商品方面类别偏好评分;将商品偏好评分和商品方面类别偏好评分进行综合评估获得商品评分;
推荐模块,用于根据商品评分向冷启动用户推荐目标领域的商品。
本发明的有益效果在于:
本发明首先计算用户在原商品领域购买商品和他在目标领域购买商品的共同概率,这表示用户的偏好转移,本发明中默认用户在原商品领域的偏好可以转移到目标领域。其次,计算用户在目标领域的商品方面偏好,接着利用源领域的商品偏好和目标领域的商品方面偏好计算两种偏好的评分概率,概率高的认为用户在目标领域购买某样商品的概率最大。通过引入用户在目标领域的商品方面类别偏好,以及购买过程中用户和商品的交互信息,不仅解决了冷启动的问题,还使得最终推荐的精准性大大提高。
附图说明
图1为本发明的流程图。
图2为本发明的结构原理图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合具体实施方式对本发明作进一步的详细说明。
本发明首先定义源领域和目标领域指示2个商品领域,例如手机和笔记本电脑。
分别为源领域中商品、用户、用户-商品交互(购买评分)、商品方面类别(所谓方面类别是指商品例如手机的品牌、内存大小、摄像头像素等等);/>分别为目标领域中的商品、用户、用户-商品交互(购买评分)、商品方面类别。令u0是两个领域的重叠用户,即用户在两个领域都有购买记录。ucs是冷启动用户,即用户只在Ds域中有购买记录而在Dt中没有购买记录。
基于上述设定,如图1所示,本发明提供一种基于用户偏好的跨领域商品推荐方法,包括:
S1利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好。
根据上述定义,重叠用户是指在两个领域都有购买记录的用户。本发明中,将这一部分用户作为训练集对模型进行训练。然后利用模型获取冷启动用户对目标领域的商品偏好,具体包括:
S11将重叠用户在源领域的商品购买记录转换为历史购买向量后进行编码获取隐状态。
把用户在源领域的历史购买记录转化为商品向量,然后将商品向量送入 GRU编码后得到隐状态Hui,计算过程为
GRU为一种常用的循环神经网络架构,用于捕获购买数据中的依赖关系。
S12对隐状态通过平均池化进行降维获得购买向量。
平均池化操作是为了把隐状态Hui降维得到购买向量hui,计算过程为
。
S13利用购买向量和源领域中的全商品嵌入矩阵计算重叠用户在源领域中的商品偏好。
具体为,利用公式
计算重叠用户在源领域购买每一样商品的权重;其中是重叠用户ui在源领域的购买权重向量,/>是/>中的第j个分量,hui是重叠用户ui在源领域的购买向量;是源领域中全商品嵌入矩阵;W为权重;
重叠用户在源领域购买商品的权重为重叠用户在源领域中的商品偏好。
S14利用重叠用户在源领域和目标领域共同购买商品的次数、源领域中的商品嵌入矩阵以及目标领域中的商品嵌入矩阵计算重叠用户在源领域和目标领域同时购买商品的共现概率评分矩阵。
一般认为,用户在源领域购买某样商品与在目标领域购买某样商品存在一定的相关性,因此这一步获取用户在两个领域同时购买商品的共现概率评分矩阵S,具体地利用公式
计算共现概率评分矩阵;其中,是共现概率评分矩阵中的概率值,/>是源领域中商品ii与目标领域中商品ij被重叠用户共同购买的次数,/>是源领域中商品的集合,/>是目标领域中商品的集合;/>,/>,IS是源领域中全商品嵌入矩阵;/>,/>,It是目标领域的全商品嵌入矩阵,d为商品向量维度数;是源领域中商品与目标领域中商品被重叠用户共同购买的次数的总和;
S15利用冷启动用户在源领域中的商品偏好、共现概率评分矩阵以及目标领域的全商品嵌入矩阵计算冷启动用户在目标领域的商品偏好,具体为
利用公式
计算冷启动用户在目标领域的商品偏好;其中,是冷启动用户在目标领域的商品偏好向量,/>是用于在源领域的商品偏好向量,S是共现概率评分矩阵,It是目标领域的全商品嵌入矩阵。
S2利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好。
用户不仅对商品有偏好,对商品的某方面也有偏好。比如,用户购买手机,或许对手机的拍照功能比较关注,或许对手机大小和内存方面比较关注。因此用户的商品方面类别偏好是在做推荐***不可忽视的一个重要问题,本发明正是通过商品方面类别的偏好来提升模型的精准度,具体包括:
S21获取重叠用户在源领域和目标领域的方面类别偏好概率。
同样,训练集中都是重叠用户,即在两个领域均有购买记录。通过公式
计算重叠用户在源领域的方面类别偏好概率;其中,是重叠用户在源领域的方面类别概率,/>是选择某个方面类别的次数,/>是源领域中第k个方面类别;/>是源领域中方面类别被选择的次数的总和,/>是源领域中第m个方面类别;
利用公式
计算重叠用户在目标领域的方面类别偏好概率;其中,是重叠用户在目标领域的方面类别概率,/>为选择某个方面类别的次数,/>为目标领域中第j个方面类别;/>是目标领域中方面类别被选择的次数的总和,/>是目标领域中第m个方面类别;
S22利用重叠用户在源领域和目标领域的方面类别偏好概率,计算重叠用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率。
而在预测时,冷启动用户在目标领域的购买是未知的,但是我们认为用户在源领域选择某方面类别与在目标领域选择某方面类别具有一定的关联,且与目标领域的商品也有很大关联。这种关联即用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率。本发明中通过神经网络来估算冷启动用户在源领域选择方面类别后又在目标领域选择方面类别的条件概率,具体为利用公式
估算冷启动用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率;其中,是条件概率,/>是冷启动用户在目标领域的商品偏好向量,/>是源领域中第k个方面类别向量,/>是目标领域中第j个方面类别向量,W是权重,/>是目标领域中商品的集合;/>是概率得分,/>是概率得分的总和。
S23通过所述条件概率与冷启动用户在源领域的方面类别偏好概率计算冷启动用户在目标领域的方面类别偏好概率。
通过冷启动用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率,可以预估冷启动用户在目标领域的方面类别偏好概率,具体为:
利用公式
估算冷启动用户在目标领域的方面类别偏好概率;其中,是冷启动用户在目标领域的方面类别预测概率,/>是条件概率,/>是冷启动用户在源领域的方面类别偏好概率,/>是源领域中商品的集合。
根据全概念公式,
可以看出用户在源领域选择了方面类别后又在目标领域选择方面类/>别的条件概率与用户在源领域的方面类别概率之积的和就是用户在目标领域的方面类别概率。虽然真实的条件概率/>在预测中是未知的,但是我们可以根据估算的条件概率来计算目标领域方面类别的预测概率/>。
另外,为了让模型能准确的预测出,训练模型时,本发明设计了概率目标函数
最小化该目标函数可以学习到更准确的,其中Lp为概率目标偶函数。
S24利用被推荐用户在目标领域的方面类别偏好概率与目标领域的方面类别矩阵计算被推荐用户在目标领域的方面类别偏好,具体为:
利用公式
计算被推荐用户在目标领域的方面类别偏好,其中,是方面类别偏好向量,是冷启动用户在目标领域的方面类别概率,/>是目标领域方面类别向。
用户在目标领域选择某个方面类别的概率与目标领域的全部方面类别存在相关性,两者的结合就可以看成是用户的方面偏好。
S3将冷启动用户对目标领域的商品偏好与目标领域中的商品进行评估获得商品偏好评分;将冷启动用户对目标领域商品方面类别的偏好与目标领域中的商品以及商品评论进行评估获得商品方面类别偏好评分;将商品偏好评分和商品方面类别偏好评分进行综合评估获得商品评分。
本步骤中,引入了目标领域的商品在目标领域下的评论集合。根据该评论集合可获得方面类别向量序列及其方面类别极性向量,/>。所谓极性是指评论的积极与消极。
本步骤具体包括:
S31利用公式
计算推荐用户对目标领域的商品偏好评分;其中,是商品偏好评分,/>是冷启动用户在目标领域的商品偏好向量,/>是目标领域中全商品嵌入向量,W是权重。
函数把商品偏好向量和商品嵌入矩阵的计算结果映射在0~1之间,越接近1,商品的评分越高。
S32利用公式
计算冷启动用户对目标领域的商品方面类别偏好评分;其中,是商品方面类别偏好评分同样也在0~1之间,/>是方面类别向量序列,/>是方面类别极性向量,/>是注意力机制,W是权重。
所述方面类别向量序列和方面类别极性向量/>来自目标领域的商品评论集合;
计算商品方面类别偏好评分的过程中,使用了注意力机制进行计算,使用这种机制可以增强输入数据中某些部分的权重,同时减弱其他部分的权重,以此将网络的关注点聚焦于数据中最重要的部分,具体为:
利用公式
计算注意力机制;其中,是注意力机制,W是权重,b是偏置,/>是方面类别偏好向量,/>是方面类别序列,/>是方面类别向量序列中第k个方面类别向量,/>是方面类别向量序列中第n个方面类别向量。
S33利用公式
计算商品评分;其中,是商品评分,/>是商品偏好评分,/>是商品方面类别偏好评分,/>是0~1之间的超参数。
S34为了模型能够得出更加准确的评分,本发明设计了评分目标函数
最小化该评分目标函数可以得到更准确的估分。是用户对商品的真实评分。
S4根据商品评分向冷启动用户推荐目标领域的商品。
本发明中,列举了两种根据商品评分进行推荐的方式。
第一种,设置评分阈值,将商品评分高于评分阈值的商品推荐给冷启动用户。例如,将评分阈值设定为0.8,即超过0.8的商品都推荐给用户。
第二种,设置排名阈值,将评分排名高于排名阈值的商品推荐给冷启动用户。例如,将排名阈值设置为4,那么排名前三的商品都推荐给用户。
当然,也可以选择其他方式与商品评分相关的推荐策略,本发明中不做限制。
如图2所示,本发明还提供一种基于用户偏好的跨领域商品推荐***,其特征在于包括:
商品偏好获取模块,用于利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好;
商品方面类别的偏好获取模块,用于利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好;
商品评分模块,将冷启动用户对目标领域的商品偏好与目标领域中的商品进行评估获得商品偏好评分;将冷启动用户对目标领域商品方面类别的偏好与目标领域中的商品以及商品评论进行评估获得商品方面类别偏好评分;将商品偏好评分和商品方面类别偏好评分进行综合评估获得商品评分;
推荐模块,用于根据商品评分向冷启动用户推荐目标领域的商品。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于用户偏好的跨领域商品推荐方法,其特征在于,包括:
利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好;
利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好;
将用户在目标领域的商品偏好与目标领域中的商品进行评估获得商品偏好评分;将用户在目标领域商品方面类别的偏好与目标领域中的商品以及商品评论进行评估获得商品方面类别偏好评分;将商品偏好评分和商品方面类别偏好评分进行综合评估获得商品评分;
根据商品评分向冷启动用户推荐目标领域的商品。
2.根据权利要求1所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,所述利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好的方法包括:
将重叠用户在源领域的商品购买记录转换为历史购买向量后进行编码获取隐状态;
对隐状态通过平均池化进行降维获得购买向量;
利用购买向量和源领域中的全商品嵌入矩阵计算用户在源领域中的商品偏好;
利用重叠用户在源领域和目标领域共同购买商品的次数、源领域中的商品嵌入矩阵以及目标领域中的商品嵌入矩阵计算用户在源领域和目标领域同时购买商品的共现概率评分矩阵;
利用用户在源领域中的商品偏好、共现概率评分矩阵以及目标领域的全商品嵌入矩阵计算用户在目标领域的商品偏好。
3.根据权利要求2所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,利用重叠用户的购买向量和源领域中的全商品嵌入矩阵计算用户在源领域中的商品偏好的方法为:
利用公式
计算重叠用户在源领域购买每一样商品的权重;其中是重叠用户ui在源领域的购买权重向量,/>是/>中的第j个分量,hui是重叠用户ui在源领域的购买向量;/>是源领域中全商品嵌入矩阵;W为权重;
重叠用户在源领域购买商品的权重为重叠用户在源领域中的商品偏好;
计算重叠用户在源领域和目标领域同时购买商品的共现概率评分矩阵为:
利用公式
计算共现概率评分矩阵;其中,是共现概率评分矩阵中的概率值,/>是源领域中商品/>与目标领域中商品/>被重叠用户共同购买的次数,/>是源领域中商品的集合,/>是目标领域中商品的集合;/>是源领域中商品与目标领域中商品被重叠用户共同购买的次数的总和;
计算冷启动用户在目标领域的商品偏好的方法为:
利用公式
计算冷启动用户在目标领域的商品偏好;其中,是冷启动用户在目标领域的商品偏好向量,/>是用户在源领域的商品偏好向量,S是共现概率评分矩阵,It是目标领域的全商品嵌入矩阵。
4.根据权利要求1所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,所述利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好的方法包括:
获取重叠用户在源领域和目标领域的方面类别偏好概率;
利用重叠用户在源领域和目标领域的方面类别偏好概率,计算重叠用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率;
通过所述条件概率与冷启动用户在源领域的方面类别偏好概率计算冷启动用户在目标领域的方面类别偏好概率;
利用冷启动用户在目标领域的方面类别偏好概率与目标领域的方面类别矩阵计算冷启动用户在目标领域的方面类别偏好。
5.根据权利要求4所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,所述获取重叠用户在源领域和目标领域的方面类别偏好概率的方法为:
利用公式
计算重叠用户在源领域的方面类别偏好概率;其中,是重叠用户在源领域的方面类别概率,/>是选择某个方面类别的次数,/>是源领域中第k个方面类别;是源领域中方面类别被选择的次数的总和,/>是源领域中第m个方面类别;
利用公式
计算重叠用户在目标领域的方面类别偏好概率;其中,是重叠用户在目标领域的方面类别概率,/>是选择某个方面类别的次数, />是目标领域中第j个方面类别;/>是目标领域中方面类别被选择的次数的总和,/>是目标领域中第m个方面类别;
计算冷启动用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率的方法为:
利用公式
估算冷启动用户在源领域选择了某个方面类别后又在目标领域选择另一方面类别的条件概率;其中,是条件概率,/>是冷启动用户在目标领域的商品偏好向量,是源领域中第k个方面类别向量,/>是目标领域中第j个方面类别向量,W是权重,/>是目标领域中商品的集合;/>是概率得分,/>是概率得分的总和;
利用公式
估算冷启动用户在目标领域的方面类别偏好概率;其中,是冷启动用户在目标领域的方面类别预测概率,/>是条件概率,/>是冷启动用户在源领域的方面类别偏好概率,/>是源领域中商品的集合;
利用公式
优化冷启动用户在目标领域的方面类别预测概率;其中Lp为概率目标函数;
所述利用冷启动用户在目标领域的方面类别偏好概率与目标领域的方面类别矩阵计算冷启动用户在目标领域的方面类别偏好的方法为:
利用公式
计算冷启动用户在目标领域的方面类别偏好,其中,是方面类别偏好向量,/>是冷启动用户在目标领域的方面类别预测概率,/>是目标领域方面类别向量。
6.根据权利要求1所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,将冷启动用户对目标领域的商品偏好与目标领域中的商品进行评估的方法为:
利用公式
计算冷启动用户对目标领域的商品偏好评分;其中,是商品偏好评分,/>是冷启动用户在目标领域的商品偏好向量,/>是目标领域中全商品嵌入向量,W是权重。
7.根据权利要求1所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,将冷启动用户对目标领域的商品方面类别的偏好与目标领域中的商品进行评估的方法为:
利用公式
计算冷启动用户对目标领域的商品方面类别偏好评分;其中,是商品方面类别偏好评分,/>是方面类别序列,/>是方面类别极性向量,/>是注意力机制向量,W是权重;
所述方面类别序列和方面类别极性向量/>来自目标领域的商品评论集合;
利用公式
计算注意力机制向量;其中,是注意力机制向量,W是权重,b是偏置,/>是方面类别偏好向量,/>是方面类别序列,/>是方面类别向量序列中第k个方面类别向量,/>是方面类别向量序列中第n个方面类别向量。
8.根据权利要求1所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,将商品偏好评分和商品方面类别偏好评分进行综合评估的方法为:
利用公式
计算商品评分;其中,是商品评分,/>是商品偏好评分,/>是商品方面类别偏好评分,/>是0~1之间的超参数。
9.根据权利要求1所述的一种基于用户偏好的跨领域商品推荐方法,其特征在于,所述根据商品评分向冷启动用户推荐目标领域的商品的方法为:
设置评分阈值,将商品评分高于评分阈值的商品推荐给冷启动用户;或者,
设置排名阈值,将评分排名高于排名阈值的商品推荐给冷启动用户。
10.一种基于用户偏好的跨领域商品推荐***,其特征在于,包括:
商品偏好获取模块,用于利用重叠用户在源领域和目标领域的商品购买记录训练模型,并通过该模型获取冷启动用户在目标领域的商品偏好;
商品方面类别的偏好获取模块,用于利用重叠用户对源领域和目标领域的商品方面类别的选择来训练模型,并通过该模型获取冷启动用户在目标领域商品方面类别的偏好;
商品评分模块,将冷启动用户对目标领域的商品偏好与目标领域中的商品进行评估获得商品偏好评分;将冷启动用户对目标领域商品方面类别的偏好与目标领域中的商品以及商品评论进行评估获得商品方面类别偏好评分;将商品偏好评分和商品方面类别偏好评分进行综合评估获得商品评分;
推荐模块,用于根据商品评分向冷启动用户推荐目标领域的商品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905017.0A CN116629983B (zh) | 2023-07-24 | 2023-07-24 | 基于用户偏好的跨领域商品推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310905017.0A CN116629983B (zh) | 2023-07-24 | 2023-07-24 | 基于用户偏好的跨领域商品推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629983A true CN116629983A (zh) | 2023-08-22 |
CN116629983B CN116629983B (zh) | 2023-09-22 |
Family
ID=87613800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310905017.0A Active CN116629983B (zh) | 2023-07-24 | 2023-07-24 | 基于用户偏好的跨领域商品推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629983B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843394A (zh) * | 2023-09-01 | 2023-10-03 | 星河视效科技(北京)有限公司 | 一种基于ai的广告推送方法、装置、设备及存储介质 |
CN117422526A (zh) * | 2023-11-15 | 2024-01-19 | 哈尔滨工业大学 | 一种基于提示的用户跨域冷启动方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050484A1 (en) * | 2015-12-23 | 2019-02-14 | Baidu Online Network Technology (Beijing) Co. Ltd. | Big data based cross-domain recommendation method and apparatus |
US20190066186A1 (en) * | 2017-08-24 | 2019-02-28 | Artivatic Data Labs Private Limited | Cross domain recommendation system and method |
US20200142935A1 (en) * | 2018-11-05 | 2020-05-07 | Samsung Electronics Co., Ltd. | System and method for cross-domain recommendations |
CN111159542A (zh) * | 2019-12-12 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 一种基于自适应微调策略的跨领域序列推荐方法 |
CN111401936A (zh) * | 2020-02-26 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于评论空间和用户偏好的推荐方法 |
CN112417298A (zh) * | 2020-12-07 | 2021-02-26 | 中山大学 | 一种基于少量重叠用户的跨域推荐方法及*** |
US20210110306A1 (en) * | 2019-10-14 | 2021-04-15 | Visa International Service Association | Meta-transfer learning via contextual invariants for cross-domain recommendation |
CN112750004A (zh) * | 2019-10-31 | 2021-05-04 | 深圳云天励飞技术有限公司 | 一种跨领域商品的冷启动推荐方法、装置和电子设备 |
US20210149671A1 (en) * | 2019-11-19 | 2021-05-20 | Intuit Inc. | Data structures and methods for enabling cross domain recommendations by a machine learning model |
CN114036380A (zh) * | 2021-11-08 | 2022-02-11 | 重庆邮电大学 | 一种基于时间门控循环单元的跨领域序列智能推荐方法 |
CN114661887A (zh) * | 2022-03-14 | 2022-06-24 | 平安科技(深圳)有限公司 | 一种跨领域数据推荐方法、装置、计算机设备及介质 |
CN114691988A (zh) * | 2022-03-23 | 2022-07-01 | 华南理工大学 | 一种基于用户偏好个性化迁移的跨领域推荐方法 |
CN115438732A (zh) * | 2022-09-06 | 2022-12-06 | 重庆理工大学 | 面向冷启动用户基于分类偏好迁移的跨域推荐方法 |
CN116028728A (zh) * | 2023-03-31 | 2023-04-28 | 特斯联科技集团有限公司 | 基于图学习的跨域推荐方法及*** |
CN116431914A (zh) * | 2023-04-12 | 2023-07-14 | 广西大学 | 一种基于个性化偏好转移模型的跨域推荐方法及*** |
-
2023
- 2023-07-24 CN CN202310905017.0A patent/CN116629983B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190050484A1 (en) * | 2015-12-23 | 2019-02-14 | Baidu Online Network Technology (Beijing) Co. Ltd. | Big data based cross-domain recommendation method and apparatus |
US20190066186A1 (en) * | 2017-08-24 | 2019-02-28 | Artivatic Data Labs Private Limited | Cross domain recommendation system and method |
US20200142935A1 (en) * | 2018-11-05 | 2020-05-07 | Samsung Electronics Co., Ltd. | System and method for cross-domain recommendations |
US20210110306A1 (en) * | 2019-10-14 | 2021-04-15 | Visa International Service Association | Meta-transfer learning via contextual invariants for cross-domain recommendation |
CN112750004A (zh) * | 2019-10-31 | 2021-05-04 | 深圳云天励飞技术有限公司 | 一种跨领域商品的冷启动推荐方法、装置和电子设备 |
US20210149671A1 (en) * | 2019-11-19 | 2021-05-20 | Intuit Inc. | Data structures and methods for enabling cross domain recommendations by a machine learning model |
CN111159542A (zh) * | 2019-12-12 | 2020-05-15 | 中国科学院深圳先进技术研究院 | 一种基于自适应微调策略的跨领域序列推荐方法 |
CN111401936A (zh) * | 2020-02-26 | 2020-07-10 | 中国人民解放军战略支援部队信息工程大学 | 一种基于评论空间和用户偏好的推荐方法 |
CN112417298A (zh) * | 2020-12-07 | 2021-02-26 | 中山大学 | 一种基于少量重叠用户的跨域推荐方法及*** |
CN114036380A (zh) * | 2021-11-08 | 2022-02-11 | 重庆邮电大学 | 一种基于时间门控循环单元的跨领域序列智能推荐方法 |
CN114661887A (zh) * | 2022-03-14 | 2022-06-24 | 平安科技(深圳)有限公司 | 一种跨领域数据推荐方法、装置、计算机设备及介质 |
CN114691988A (zh) * | 2022-03-23 | 2022-07-01 | 华南理工大学 | 一种基于用户偏好个性化迁移的跨领域推荐方法 |
CN115438732A (zh) * | 2022-09-06 | 2022-12-06 | 重庆理工大学 | 面向冷启动用户基于分类偏好迁移的跨域推荐方法 |
CN116028728A (zh) * | 2023-03-31 | 2023-04-28 | 特斯联科技集团有限公司 | 基于图学习的跨域推荐方法及*** |
CN116431914A (zh) * | 2023-04-12 | 2023-07-14 | 广西大学 | 一种基于个性化偏好转移模型的跨域推荐方法及*** |
Non-Patent Citations (2)
Title |
---|
李林峰;刘真;魏港明;任爽;葛梦凡;: "基于共享知识模型的跨领域推荐算法", 电子学报, no. 08, pages 157 - 163 * |
陈雷慧等: "跨领域推荐技术综述", 华东师范大学学报(自然科学版), no. 05, pages 101 - 116 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843394A (zh) * | 2023-09-01 | 2023-10-03 | 星河视效科技(北京)有限公司 | 一种基于ai的广告推送方法、装置、设备及存储介质 |
CN116843394B (zh) * | 2023-09-01 | 2023-11-21 | 星河视效科技(北京)有限公司 | 一种基于ai的广告推送方法、装置、设备及存储介质 |
CN117422526A (zh) * | 2023-11-15 | 2024-01-19 | 哈尔滨工业大学 | 一种基于提示的用户跨域冷启动方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116629983B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116629983B (zh) | 基于用户偏好的跨领域商品推荐方法及*** | |
Wang et al. | Attention-based transactional context embedding for next-item recommendation | |
CN108229590B (zh) | 一种获取多标签用户画像的方法和装置 | |
CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
Huang et al. | Consumer preference elicitation of complex products using fuzzy support vector machine active learning | |
US20190026609A1 (en) | Personalized Digital Image Aesthetics in a Digital Medium Environment | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
CN105868847A (zh) | 一种购物行为的预测方法及装置 | |
JP2011248829A (ja) | 評価予測装置、評価予測方法、及びプログラム | |
Yu et al. | Complementary recommendations: A brief survey | |
Du et al. | Exploration in online advertising systems with deep uncertainty-aware learning | |
Wang et al. | Webpage depth viewability prediction using deep sequential neural networks | |
Yan et al. | A practical deep online ranking system in e-commerce recommendation | |
CN115238191A (zh) | 对象推荐方法以及装置 | |
Wang et al. | Interval-enhanced graph transformer solution for session-based recommendation | |
Zhang et al. | Prior-based bayesian pairwise ranking for one-class collaborative filtering | |
CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
CN110851705A (zh) | 一种基于项目的协作存储推荐方法及其推荐装置 | |
CA3111094A1 (en) | Noise contrastive estimation for collaborative filtering | |
Poo et al. | Multi-Label Classification with Deep Learning for Retail Recommendation | |
CN115564532A (zh) | 序列推荐模型的训练方法及装置 | |
Qiu | A predictive model for customer purchase behavior in e-commerce context | |
Han et al. | Price suggestion for online second-hand items | |
You et al. | A hotel ranking model through online reviews with aspect-based sentiment analysis | |
Wu et al. | Applying a Probabilistic Network Method to Solve Business‐Related Few‐Shot Classification Problems |
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 |