一种考虑重复购买行为的会话推荐方法技术

本发明专利技术公开了一种考虑重复购买行为的会话推荐方法。该方法建立一个模型对当前会话和用户长期兴趣进行建模，并预测用户点下一个点击的物品。用户在在线平台上往往会有固定的行为习惯，因此本方法提出一种考虑重复购买行为的推荐方法，主要由四个部分组成：第一部分是根据用户当前交互会话序列，得到用户短期、长期兴趣表征和辅助行为(购买)表征。第二部分是根据用户短期和长期兴趣表征，选择重复模式或探索模式。第三部分是在重复模式下，根据用户的短期、长期兴趣表征和辅助行为(购买)表征，在用户历史购买的物品序列中进行推荐。第四部分是在探索模式下，根据用户的短期和长期兴趣表征，对不在用户历史购买的物品序列中的物品进行推荐。进行推荐。进行推荐。

【技术实现步骤摘要】
一种考虑重复购买行为的会话推荐方法


[0001]本专利技术属于互联网服务
，尤其是涉及一种考虑重复购买行为的会话推荐方法。

技术介绍

[0002]随着在线服务的发展和流行，在线平台记录着大量的用户行为数据。从海量数据中找出用户最感兴趣的物品并推荐给用户，可以极大地提升用户的满意度和公司的收益。此时，推荐系统显得非常重要。推荐系统可以从海量物品中挖掘出用户最喜欢的物品。
[0003]传统的推荐方法主要包括三种。一种是一般的推荐系统，从用户和物品之间的历史交互数据中挖掘出用户和物品的静态关联，包括，协同过滤和矩阵分解等方法。这类方法将用户
‑
物品的交互关系输入到网络中，忽略了用户兴趣的动态变化。第二种是基于物品序列，推荐用户下一个交互的物品，叫做序列推荐方法。会话推荐方法就属于一种序列推荐方法，会话是指一段时间内的用户交互序列。最后一种方法是将前两种方法结合起来，同时对用户的静态的长期兴趣和动态的当前兴趣进行建模，然后再推荐用户下一个交互的物品。本方法在对用户兴趣建模时，同样是采取第三种方法。但是本方法最大的不同点是考虑到用户的重复消费行为。用户在在线平台上会有固定的行为习惯。比如，在电商平台上，用户经常会重复购买固定的商品；在音乐平台上，用户会经常重复听同一首歌曲。Ren等人在论文中提出了重复网络(RepeatNet)来解决重复消费推荐问题，但是该论文提出的解法和问题定义不符。重复网络在介绍(introduction)中提出用户存在重复消费行为，所以在推荐物品时应考虑到用户这一消费规律。但是在方法(method)中，推荐重复的物品是在当前会话中的物品序列中推荐，而用户在短时间内，也就是在一个会话内部重复购买相同的物品的可能性很低。并且该方法没有考虑到用户的长期兴趣，用户长期兴趣是偏向于静态的。如果用户在当前会话中的短期兴趣和用户的长期兴趣重复度很高，那么发生重复购买行为的概率较大。所以在模型中，判断推荐模式是重复模式还是探索模式时，应该同时考虑用户的长期兴趣和用户的短期兴趣。其中，重复模式是指推荐用户历史购买过的物品，探索模式是指推荐用户从未购买过的商品。关于重复行为这个场景的论文或者方法不多，但是工业界已经有相关的应用。如，“淘宝”APP在订单页面会有“常购好货”的功能展示，从该用户历史购买商品中推荐用户当下还有可能购买的商品。

技术实现思路

[0004]本方法是一种基于会话的物品点击率预测方法。会话(session)指一段时间内的用户交互的物品序列，会话推荐任务是指基于当前会话中的物品序列，预测用户在当前会话中下一个感兴趣的物品。用户的当前会话可以表示为S
T
＝{x1,x2,
…
,x
τ
,
…
,x
t
}，其中，x
τ
代表第τ个物品。预测用户在当前会话中下一个感兴趣的物品用数学语言可以表示为P(x
t+1
|S
T
)，其中，P(x
t+1
|S
T
)表示基于用户的当前会话S
T
，用户下一个交互物品x
t+1
的概率。将用户行为序列划分成会话更符合用户行为规律，一般来讲，用户在一个会话中会有特定的目的。
会话和会话之间会有一个较长时间间隔(time gap)，如，淘宝将时间间隔设置为三十分钟。现在越来越多的方法，在基于会话推荐时，会同时将用户过去一段时间内的交互行为作为信息补充考虑进来，用于捕捉用户的长期兴趣，来提升推荐的准确度。此时，推荐物品的概率变成P(x
t+1
|S
T
,p
l
)，其中p
l
表示用户的长期兴趣。
[0005]对于用户的重复消费行为的研究工作较少。而用户在在线平台上会有固定的行为习惯。Ren等人提出了重复网络(RepeatNet)来解决重复消费推荐问题，但是该论文提出的解法和问题定义不符。重复网络在介绍(introduction)中提出用户存在重复消费行为，所以在推荐物品时应考虑到用户这一消费规律。但是在方法(method)中，推荐重复的物品是在当前会话中的物品序列中推荐，而用户在短时间内，也就是在一个会话内部重复购买相同的物品的可能性很低。并且该方法没有考虑到用户的长期兴趣，用户长期兴趣是偏向于静态的。如果用户在当前会话中的短期兴趣和用户的长期兴趣重复度很高，那么发生重复购买行为的概率较大。所以在模型中，判断推荐模式是重复模式还是探索模式时，应该同时考虑用户的长期兴趣和用户的短期兴趣。其中，重复模式是指推荐用户历史购买过的物品，探索模式是指推荐用户从未购买过的商品。为此，本专利技术采用以下技术方案：
[0006]一种考虑重复购买行为的会话推荐方法，包括以下步骤：
[0007]根据用户当前交互会话序列中的辅助行为(auxiliary behavior)序列，得到用户辅助行为(购买)表征。用户当前交互的会话可以表示为S
T
＝{x1,x2,
…
,x
τ
,
…
,x
t
}，其中，x
τ
代表第τ个物品，T表示当前会话的时间段下标,且S
T
的向量表征为{x1,x2，
…
，x
τ
，
…
，x
t
}，其中d是物品向量表征的长度。S
T
表示当前会话中所有交互的物品序列，其中，购买行为序列为且A
T
的向量表征为购买行为序列的表征对于重复模式下的物品推荐至关重要，因为用户在短时间内，也就是在一个会话内，进行重复消费的可能性较低。通常，在推荐系统中，把交互序列中的交互类型叫做目标类型(target type),把购买行为类型叫做辅助类型(auxiliary type)。采用平均池(mean
‑
pooling)对购买行为序列进行表征，如下：
[0008][0009]其中，A
T
是当前会话中的购买行为序列，是购买行为序列A
T
中购买的物品，是物品的向量表示，|A
T
|表示序列A
T
的个数，p
a
是购买行为序列表征。
[0010]根据用户当前交互会话序列，得到用户短期兴趣表征p
s
。本方法采用门控循环单元网络(GRU)对用户当前交互序列进行表征：
[0011]z
τ
＝σ(W
xz
·
x
τ
+W
hz
·
h
τ
‑1)
[0012]r
τ
＝σ(W
xr
·
x
τ
+W
hr
·
h
τ
‑1)
[0013][0014][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑重复购买行为的会话推荐方法，其特征在于：根据用户当前交互会话序列中的辅助行为(auxiliary behavior)序列，得到用户辅助行为(购买)表征；用户当前交互的会话可以表示为S
T
＝{x1，x2，
…
，x
τ
，
…
，x
t
}，其中，x
τ
代表第τ个物品，T表示当前会话的时间段下标，且S
T
的向量表征为{x1，x2，
…
，x
τ
，
…
，x
t
}，其中d是物品向量表征的长度；S
T
表示当前会话中所有交互的物品序列，其中，购买行为序列为且A
T
的向量表征为通常，在推荐系统中，把交互序列中的交互类型叫做目标类型(target type)，把购买行为类型叫做辅助类型(auxiliary type)；采用平均池(mean
‑
pooling)对购买行为序列进行表征，如下：是其中，A
T
是当前会话中的购买行为序列，是购买行为序列A
T
中购买的物品，是物品的向量表示，|A
T
|表示序列A
T
的个数，p
a
是购买行为序列表征；根据用户当前交互会话序列，得到用户短期兴趣表征p
s
；本方法采用门控循环单元网络(GRU)对用户当前交互序列进行表征；GRU的输入序列为S
T
＝{x1，x2，
…
，x
τ
，
…
，x
t
}；最后得到当前会话序列表征为用户短期兴趣(short
‑
terminterest)表征为前会话序列表征更新用户长期兴趣(long
‑
term interest)表征p
l
；用户当前会话所在时间为T，用户历史所有会话表征仍然采用门控循环单元网络(GRU)结构得到，此时用户历史会话表征序列为用户长期兴趣的序列性不强，因此采用平均池(mean
‑
pooling)获得用户较为稳定的长期兴趣表征p
l
：其中，Z
T
‑1为时间T之前的用户历史会话表征列表，z
τ
为第τ个用户历史会话表征，|Z
T
‑1|表示序列Z
T
‑1的个数；p
l
是用户的长期兴趣表征；根据用户的短期和长期兴趣表征，在重复推荐模式和探索推荐模式中选择；在本方法中，基于用户的当前会话S
T
和用户长期兴趣p
l
，用户下一个交互物品x
t+1
的概率P(x
t+1
|S
T
，p
l
)可以进一步分解为：P(x
t+1
|S
T
，p
l
)＝P(r|S
T
，p
l
)P(x
t+1
|r，S
T
，p
l
)+P(e|S
T
，p
l
)P(x
t+1
|e，S
T
，p
l
)其中，r和e分别代表重复模式(repeat mode)和探索模式(explore mode)；P(r|S
T
，p
l
)和P(e|S
T
，p
l
)代表基于当前序列S
T
和用户长期兴趣p
l
，计算重复模式和探索模式的概率；P(x
t+1
|r，S
T
，p
l
)和P(x
t+1
|e，S
T
，p
l
)分别代表在重复模式和探索模式下，推荐物品x
t+1
的概率；判断推荐模式采用重复模式还是探索模式也就是计算概率P(r|S
T

【专利技术属性】
技术研发人员：顾盼，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：