一种基于人工智能的商品推荐的方法技术

本申请公开了一种基于人工智能的商品推荐的方法，包括：智能客服系统获取用户对话文本信息，并整理成长文本；基于GPT2模型将所述长文本进行摘要提取；基于所述提取出的摘要信息，对所述用户进行用户画像预测；基于所述用户画像及所述用户购买商品的历史行为，通过环形图注意力网络模型将所述用户与拟推荐商品进行匹配，获取所述拟推荐商品匹配得分PMS；若所述PMS超过预设阈值，则向所述用户推荐所述拟推荐商品。拟推荐商品。拟推荐商品。

【技术实现步骤摘要】
一种基于人工智能的商品推荐的方法


[0001]本申请涉及电子商务
，尤其涉及基于人工智能的商品推荐的方法。

技术介绍

[0002]近年来，随着互联网的不断发展和快速完善，流量成本越来越贵，拉新成本越来越高，老顾客忠诚度也越来越低，在这种形势下，只有精细化运营每一个客户，才能使品牌保持持续性增长。电商领域的精细化运营，指的是通过用户分群，对不同需求的用户匹配不同的服务和内容，从而满足其个性化的需求。用户画像可以从多个维度来描绘用户特征，不同的产品类型，用户画像的维度也有不同，更快速更准确的画像信息，可以帮助电商精准的定位实际用户群体，并进行商品推荐。
[0003]为了能够准确地给用户推荐商品，通常需要对用户特征进行提取，并通过大量的用户购买行为和用户评论信息，对用户的兴趣点POI(points of interest)进行预测，然而，现有技术中并未考虑结合用户的其他行为(例如客服对话)也会对用户的商品推荐提供决策，导致现有商品推荐算法精准性不高。

技术实现思路

[0004]本申请实施例提供一种基于人工智能的商品推荐的方法，用于解决现有技术中商品推荐算法精确性不高的问题。
[0005]本专利技术实施例提供一种基于人工智能的商品推荐的方法，包括：
[0006]智能客服系统获取用户对话文本信息，并整理成长文本；
[0007]基于GPT2模型将所述长文本进行摘要提取；
[0008]基于所述提取出的摘要信息，对所述用户进行用户画像预测；
[0009]基于所述用户画像及所述用户购买商品的历史行为，通过环形图注意力网络模型将所述用户与拟推荐商品进行匹配，获取所述拟推荐商品匹配得分PMS；
[0010]若所述PMS超过预设阈值，则向所述用户推荐所述拟推荐商品。
[0011]可选地，所述基于GPT2模型将所述长文本进行摘要提取，包括：
[0012]设置GPT2模型，所述GPT2模型为多层单向传输的解码语言模型；
[0013]对所述长文本进行摘要抽取，抽取出第一摘要信息；
[0014]将所述第一摘要信息和所述长文本进行处理，形成词嵌入和单词token位置信息；
[0015]将所述词嵌入和单词token位置信息作为所述GPT2模型的输入层进行输入，获取输出单向transformer输出向量；
[0016]将所述单向transformer输出向量通过softmax分类器进行分类，输出词的概率分布；
[0017]基于所述词的概率分布，生成第二摘要信息。
[0018]可选地，所述将所述词嵌入和单词token位置信息作为所述GPT2模型的输入层进行输入，获取输出单向transformer输出向量，包括：
[0019]设置所述GPT2模型包括n层解码器tranformer，n为正整数；
[0020]所述第一层tranformer定义为h0：
[0021]h0＝UW
e
+W
P
[0022]其中U＝{u
‑
k
,...,u
‑1}是上下文的文本词汇，k是文本上下文窗口的大小，W
e
是词嵌入矩阵，W
P
是位置嵌入矩阵；
[0023]第i层tranformer定义为h
i
：
[0024]h
i
＝transformer(h
i
‑1)，0<＝i<＝n；
[0025]则第n层transformer输出的向量为最终的所述输出单向transformer输出向量。
[0026]可选地，所述对所述长文本进行摘要抽取，抽取出第一摘要信息，包括：
[0027]加载BERT模型；
[0028]调用BERT编码接口，将所述长文本中的文本信息转换为词向量，形成词向量集合；
[0029]对所述词向量集合进行k
‑
means聚类，从聚类结果中，选取最接近簇心的词向量作为所述第一摘要信息。
[0030]可选地，所述对所述词向量进行k
‑
means聚类，包括：
[0031]随机选取k个聚类中心作为簇心；
[0032]计算所述词向量集合中所有点到所述k个簇心的欧式距离；
[0033]根据上述欧式距离，形成以所述k个簇心为中心的k个簇群；
[0034]在所述k个簇群中重新计算簇心，并根据重新计算出的簇心，更新所述簇群，直到完成迭代。
[0035]可选地，在所述通过环形图注意力网络模型将所述用户与拟推荐商品进行匹配之前，所述方法还包括：
[0036]训练矩阵分类模型，并将所述用户画像和用户购买商品的历史行为输入至所述矩阵分类模型中，以获取所述用户的兴趣点向量和支付能力向量，其中，所述训练矩阵分类模型，包括：
[0037]基于所述用户画像，形成用户兴趣点矩阵POI；
[0038]基于所述用户购买商品的历史行为，形成用户支付能力矩阵PA；
[0039]计算所述用户x对拟推荐商品y的预测值F
x,y
：
[0040]F
x,y
＝POI
xT
*PA
y
；
[0041]使用最小化目标函数来学习POI和PA，选择随机梯度下降作为优化器，达到收敛条件，获取训练好的矩阵分解模型。
[0042]可选地，所述通过环形图注意力网络模型将所述用户与拟推荐商品进行匹配，包括：
[0043]基于所述用户的兴趣点向量和支付能力向量，形成用户序列数据集；
[0044]将所述用户序列数据集中分为多个预设长度的短序列，并将每一个所述短序列构建成一个环形图；
[0045]将所述短序列中的每个行为设置有一个对应的子环形图；所述环形图包括整个所述短序列的信息，所述子环形图只包括与该行为相邻的行为所连成的图；
[0046]环形图注意力网络模型中，将环形图注意力机制分别应用在所述环形图和每个子环形图上，得到该用户的全局特征和局部特征；
[0047]将所述用户的局部特征和全局特征拼接结合后，输入多层感知机网络，获取用户特征；
[0048]获取拟推荐商品的商品特征，将所述用户特征与所述商品特征进行匹配，获取匹配得分。
[0049]可选地，对所述用户进行用户画像预测，包括：
[0050]基于所述摘要信息，获取所述用户的兴趣点及商品评价；
[0051]基于所述用户的兴趣点与商品评价，获取用户画像特征；
[0052]遍历用户画像特征库中的特征值，寻找与所述用户画像特征值差值最小的特征值，所述特征值在模板中对应的用户画像为所述预测得到的用户画像。
[0053]本专利技术实施例提供的方法，通过对智能客服系统中获取到用户输入的文本信息，并通过语义分析模型GPT2进行摘要提取，基于该摘要可进行用户画像预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的商品推荐的方法，其特征在于，包括：智能客服系统获取用户对话文本信息，并整理成长文本；基于GPT2模型将所述长文本进行摘要提取；基于所述提取出的摘要信息，对所述用户进行用户画像预测；基于所述用户画像及所述用户购买商品的历史行为，通过环形图注意力网络模型将所述用户与拟推荐商品进行匹配，获取所述拟推荐商品匹配得分PMS；若所述PMS超过预设阈值，则向所述用户推荐所述拟推荐商品。2.根据权利要求1所述的方法，其特征在于，所述基于GPT2模型将所述长文本进行摘要提取，包括：设置GPT2模型，所述GPT2模型为多层单向传输的解码语言模型；对所述长文本进行摘要抽取，抽取出第一摘要信息；将所述第一摘要信息和所述长文本进行处理，形成词嵌入和单词token位置信息；将所述词嵌入和单词token位置信息作为所述GPT2模型的输入层进行输入，获取输出单向transformer输出向量；将所述单向transformer输出向量通过softmax分类器进行分类，输出词的概率分布；基于所述词的概率分布，生成第二摘要信息。3.根据权利要求2所述的方法，其特征在于，所述将所述词嵌入和单词token位置信息作为所述GPT2模型的输入层进行输入，获取输出单向transformer输出向量，包括：设置所述GPT2模型包括n层解码器tranformer，n为正整数；所述第一层tranformer定义为h0：h0＝UW
e
+W
P
其中U＝{u
‑
k
,...,u
‑1}是上下文的文本词汇，k是文本上下文窗口的大小，W
e
是词嵌入矩阵，W
P
是位置嵌入矩阵；第i层tranformer定义为h
i
：h
i
＝transformer(h
i
‑1)，0<＝i<＝n；则第n层transformer输出的向量为最终的所述输出单向transformer输出向量。4.根据权利要求2所述的方法，其特征在于，所述对所述长文本进行摘要抽取，抽取出第一摘要信息，包括：加载BERT模型；调用BERT编码接口，将所述长文本中的文本信息转换为词向量，形成词向量集合；对所述词向量集合进行k
‑
means...

【专利技术属性】
技术研发人员：张阳，
申请(专利权)人：张阳，
类型：发明
国别省市：