一种基于动态周期神经网络的商品推荐方法技术

本发明专利技术公开一种基于动态周期神经网络的商品推荐方法，该方法将用户历史购买的商品切分到不同篮子；用篮子中每个商品潜在语义向量的表达得到每个篮子的特征表达向量，并得到篮子兴趣表达向量；根据篮子兴趣表达向量得到用户不同时间动态表达向量，并由动态表达向量得到用户不同时间内对商品的初始评分；抽取篮子外商品作为负样本建立优化目标函数；通过求解优化目标函数更新参数得到商品和用户的潜在语义向量表达，并得到用户对商品最终评分并推荐。本发明专利技术解决了当前流行的模型只能提取局部特征的问题，运用迭代方法学习用户动态表达，能适用于新数据即时输入及复杂商业场景，能很好地应用于互联网商品推送及各类推荐系统场景。

【技术实现步骤摘要】
【专利摘要】本专利技术公开，该方法将用户历史购买的商品切分到不同篮子；用篮子中每个商品潜在语义向量的表达得到每个篮子的特征表达向量，并得到篮子兴趣表达向量；根据篮子兴趣表达向量得到用户不同时间动态表达向量，并由动态表达向量得到用户不同时间内对商品的初始评分；抽取篮子外商品作为负样本建立优化目标函数；通过求解优化目标函数更新参数得到商品和用户的潜在语义向量表达，并得到用户对商品最终评分并推荐。本专利技术解决了当前流行的模型只能提取局部特征的问题，运用迭代方法学习用户动态表达，能适用于新数据即时输入及复杂商业场景，能很好地应用于互联网商品推送及各类推荐系统场景。【专利说明】
本专利技术涉及线上线下用户物品交互
，尤其涉及一种基于动态周期神经网 络的商品推荐方法。
技术介绍
随着电子商业井喷式增长，电商平台每天都记录下海量的用户购物数据。用户购 物历史往往是按照时间顺序记录下来，因此可以挖掘这些历史数据中的时序特征。然而在 实际的购物场景中，用户有时会在某一时间点或者较短的时间段内产生较多的购物行为， 由于时间间隔较短，这些购物行为中往往没有明显的时序特征。另一方面，对于用户的拼单 行为，很多购物行为同时发生，这些购物行为就不能按照时间时序进行分析。因此，需要将 用户购物历史数据按照时间顺序切分到不同的篮子，把篮子内的商品当成一个整体，忽略 内部的时间顺序，只研究篮子之间的时间顺序。 当前一些较流行的下一个篮子推荐系统模型都是基于马尔科夫链假设，即只研究 相邻的两个篮子之间的联系，忽略其他的联系。然而，在实际的复杂购物场景中，某两个相 邻的篮子之间并没有任何联系，也就是说，某个篮子产生的影响并不是直接作用于紧接着 的下一个篮子，可能是作用于再往后的某些篮子。因此，需要挖掘出这些篮子中所有可能的 联系，包括篮子间的局部联系和全局联系。在上述场景中，现有的基于马尔科夫链假设的下 一个篮子推荐系统模型不能提取篮子间的全局联系。因此，现有的基于马尔科夫链假设的 推荐系统模型不能有效地解决篮子模型中的推荐问题。
技术实现思路
本专利技术目的在于解决上述的技术问题而提出一种基于动态周期神经网络的商品 推荐方法，以解决现有方法不能有效的满足下一个篮子推荐任务的需求的问题。 本专利技术是这样实现的，，包括步骤： 步骤Sl，将用户历史购买的商品按预设时间间隔切分到不同的篮子； 步骤S2,给每一个篮子中的每一个商品初始化一个潜在语义向量表达，应用池化 操作得到每一个篮子的特征表达向量； 步骤S3,利用所述篮子的特征表达向量，运用周期神经网络的转移矩阵运算得到 篮子兴趣表达向量； 步骤S4,根据不同时间的所述篮子兴趣表达向量，运用周期神经网络中的周期信 号传递矩阵运算得到该用户在不同时间的动态表达向量； 步骤S5,对用户在不同时间的动态表达向量通过与商品矩阵的运算，得到用户在 不同时间内对所有商品的初始化评分； 步骤S6,随机抽取不在篮子中的商品作为负样本，通过贝叶斯个性化排序算法建 立优化目标函数模型； 步骤S7,通过求解该优化目标函数模型并更新模型参数直到模型收敛，得到商品 和用户的潜在语义向量表达以及模型的所有参数； 步骤S8,根据所述商品和用户的潜在语义表达向量的点积运算得到用户对所有商 品的最终评分，然后根据最终评分高低进行商品推荐。 本专利技术方法可为每一个用户学习一组随时间变化的动态表达，从而充分地反映不 同时刻用户兴趣及其变化，利用周期神经网络中的周期信号矩阵挖掘商品序列的全局特 征，能够有效提取篮子之间的时间序列特征，即局部和全局的联系，从而学习篮子间全局的 联系;使用户动态兴趣及篮子间的时间序列特征被有效考虑，从而提升了篮子推荐的性能； 采用迭代方法学习用户动态表达，采用周期神经网络提取的时间序列特征赋予用户在不同 时间段的动态表达，并且用户在某一时刻的表达向量可以根据之前时刻的表达向量迭代计 算得到，更加适合于快速更新变化的场景及新数据的加入。【附图说明】 图1是本专利技术方法的流程示意图； 图2是分别采用平均池化和最大池化操作的模型的性能比较结果图。【具体实施方式】 为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本专利技术进一步详细说明。 参见图1所示，，包括以下步骤： 步骤Sl，收集商业平台上用户购买的商品的历史数据，并按照事先预定好的时间 间隔将物品切分到不同的篮子，每个篮子包括对应时间段内用户所购买的商品。 需要说明的是，本专利技术中，所述篮子内所包含的商品之间是没有时间顺序的，而篮 子之间是有时间顺序的。这种篮子内部无序而篮子之间有序的划分方法更符合实际的电商 购物情景或者其他类似情景。 步骤S2,给篮子中的每一个商品初始化一个潜在语义向量的表达，将池化操作应 用到篮子内的所有商品的潜在语义向量，并得到每一个篮子的向量表达； 本专利技术中，由于篮子里面包含很多商品的数据，因而就可以实现将这些商品的潜 在语义向量通过相应的池化操作运算得到一个潜在语义向量作为篮子的向量表达； 这种池化运算可以是线性运算或非线性运算。所述的池化操作可以是最大池化操 作或者平均池化操作。 步骤S3,对于某一用户所有的篮子表达向量通过周期神经网络中的转移矩阵X 的乘积运算，挖掘出该用户在购买当前篮子内的商品时的购物兴趣，购物兴趣由 对应的篮子兴趣表达向量表示。 本专利技术中，步骤S3具体可以是通过周期神经网络中的转移矩阵X运算，可以将篮子 特征向量空间投影到用户兴趣向量空间，从而得到对应的篮子兴趣表达向量，因此得到用 户购买这些商品时所表现出的兴趣。步骤S4,对于某一用户在不同时间的篮子兴趣表达向量，通过周期神经网络中的 周期信号传递矩阵R的运算，得到该用户在不同时间的动态表达向量/if，用户表达向量Zif 能够反映用户在某一时间的购物兴趣，定义为： 其中，激活函数f为sigmoid函数，即f (X) = 示前一时刻用户的潜 在语义表达向量。需要说明的是，本专利技术，在步骤S4中，主要是通过周期神经网络中的周期信号传递 矩阵运算，用之前各个时间段内用户的购物兴趣的向量表达，来充分刻画出每一个时间段 内用户的动态表达向量的。 步骤S5，对于用户在不同时间内的动态表达向量，通过与商品矩阵N的乘积运 算，得到用户在不同时间内对所有商品的初始评分;也就是，通过用户的不同时间内的动态 表达向量与商品向量的点积运算得到不同用户对每一个商品初始化的打分;商品的初始化 评分随着训练的过程不断地优化，得分越高表示用户越有可能购买该商品。评分定义如下： 步骤S6,随机抽取不在篮子中的商品作为负样本，通过贝叶斯个性化排序算法建 立优化目标函数模型，定义如下： 其中nv表示第V个商品，rv表示负样本中对应nv的一个商品，?4_为商品向量n v的转 置，的i是用户u在时间t的动态表达向量，激活函数为sigmoid函数，即^为 用户u在时间t所购买的商品的篮子的向量表达。Ω为正则项的参数，即模型的参数，包括周 期神经网络中的转移矩阵和周期信号传递矩阵分别为X，R，以及所有商品向量nv组成的矩 阵N，系数α用于控制优化目标函数中正则项所占的权重比例。 步骤S7,通过求解该优化目标函数，更新模型参数直到收敛，得到商品和用户的潜 在语义向本文档来自技高网...

【技术保护点】
一种基于动态周期神经网络的商品推荐方法，其特征在于，包括步骤：步骤S1，将用户历史购买的商品按预设时间间隔切分到不同的篮子；步骤S2，给每一个篮子中的每一个商品初始化一个潜在语义向量表达，应用池化操作得到每一个篮子的特征表达向量；步骤S3，利用所述篮子的特征表达向量，运用周期神经网络的转移矩阵运算得到篮子兴趣表达向量；步骤S4，根据不同时间的所述篮子兴趣表达向量，运用周期神经网络中的周期信号传递矩阵运算得到该用户在不同时间的动态表达向量；步骤S5，对用户在不同时间的动态表达向量通过与商品矩阵的运算，得到用户在不同时间内对所有商品的初始化评分；步骤S6，随机抽取不在篮子中的商品作为负样本，通过贝叶斯个性化排序算法建立优化目标函数模型；步骤S7，通过求解该优化目标函数模型并更新模型参数直到模型收敛，得到商品和用户的潜在语义向量表达以及模型的所有参数；步骤S8，根据所述商品和用户的潜在语义表达向量的点积运算得到用户对所有商品的最终评分，然后根据最终评分高低进行商品推荐。

【技术特征摘要】

【专利技术属性】
技术研发人员：谭铁牛，王亮，吴书，刘强，余峰，
申请(专利权)人：天津中科智能识别产业技术研究院有限公司，
类型：发明
国别省市：天津;12