【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。 ...
【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
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。