一种基于电子商务优惠券领域知识图谱的推荐系统及方法技术方案

一种基于电子商务优惠券领域知识图谱的推荐系统及方法，涉及知识图谱与推荐技术领域。本发明专利技术是为了解决现有商务优惠券推荐方法还存在无法为新用户推荐、推荐可靠性及准确率低的问题。本发明专利技术包括：构建当前电商平台用户对应的知识图谱，获得知识图谱库；获取当前用户信息，并判断当前用户是否为新用户；获取当前用户对应的知识图谱，利用当前用户对应的知识图谱获取用户

【技术实现步骤摘要】
一种基于电子商务优惠券领域知识图谱的推荐系统及方法


[0001]本专利技术涉及知识图谱与推荐
，特别涉及一种基于电子商务优惠券领域知识图谱的推荐系统及方法。

技术介绍

[0002]近年来，互联网技术的应用领域也在不断扩张，其中电子商务是互联网技术最重要的应用领域之一。推荐系统技术在电子商务领域中起到了十分重要的作用。已经广泛应用于我们生活的各个方面，例如网络购物、短视频观看、音乐欣赏、新闻浏览等。这些行为都离不开推荐系统技术的支持。举例来说，电商平台会利用和分析平台上海量用户的购买行为数据，并使用推荐系统技术总结用户的行为规律，然后将这些规律与平台的营销策略相整合，从而为用户提供个性化商品推荐服务。这种做法不仅能够促进商品销售，提高用户留存率，还可以制定出更加科学有效的电子商务营销策略。
[0003]研究人员已经提出了一些较为成熟的推荐方法，分别为：基于内容的推荐算法与基于协同过滤的推荐方法，基于内容的推荐算法的核心思想是利用用户偏好记录来进行推荐，为用户推荐与记录中物品具有相似属性的其他商品。协同过滤推荐算法是一种利用用户历史行为来推荐商品的算法，该算法的核心思想是，如果两个用户拥有着相似的历史行为，则他们未来的购买行为也应具有一定相似性，即可能会购买相同的商品，从而完成对商品的推荐。但由于优惠券领域与常规领域差异较大，优惠券实体类型关联不明确的特点，其他领域的推荐方法并未充分考虑到优惠券领域的业务特殊性，因此无法直接利用常规方法对优惠券进行推荐。此外，当前推荐系统技术主要面临以下两个难题。其一，用户真实使用的优惠券数量仅占平台实际发放数量的一小部分，而电商平台公开的用户交互行为信息数据也极为有限，导致了数据稀疏性现象的发生，进而导致系统无法准确捕捉到数据集包含的隐含信息，同时也极大增加了模型从数据集中学习特征的难度，这些缺陷导致了推荐方结果的不可靠性高与推荐准确率低的问题。另一方面，传统的推荐系统由于缺乏新用户的历史交互行为数据，因此无法直接为新用户进行推荐，即为冷启动问题。

技术实现思路

[0004]本专利技术目的是为了解决现有商务优惠券推荐方法还存在无法为新用户推荐、推荐可靠性及准确率低的问题，而提出了及一种基于电子商务优惠券领域知识图谱的推荐系统及方法。
[0005]一种基于电子商务优惠券领域知识图谱的推荐系统，包括：用户查询模块、知识库模块、复合信息增强模块、好友信息查询模块、热门商品打分模块；
[0006]所述知识库模块用存储电商平台用户对应的知识图谱；
[0007]所述电商平台的知识图谱形式为：实体
‑
点击关系
‑
实体；
[0008]所述用户查询模块用于获取当前用户信息，并在知识库模块中利用当前用户信息判断当前用户是否为新用户，若为新用户则进入好友信息查询模块；若为老用户则将知识
库模块中存储的当前老用户对应的知识图谱输入到复合信息增强模块中；
[0009]所述复合信息增强模块用于利用用户对应的知识图谱获取用户
‑
优惠券得分列表，从而进行优惠券推荐；
[0010]所述好友信息查询模块用于获取新用户输入的老用户信息，并在知识库模块中获取老用户对应的知识图谱，并将老用户对应的知识图谱发送给热门商品打分模块；
[0011]所述热门商品打分模块用于获取当前新用户对电商平台的热门商品打分情况，并利用当前新用户对电商平台的热门商品打分情况和老用户对应的知识图谱构建新用户知识图谱，并将新用户知识图谱输入到知识库模块和复合信息增强模块。
[0012]进一步地，所述知识图谱中的实体包括：用户、商品、优惠券；点击关系包括：使用，原价购买，优惠购买。
[0013]进一步地，所述用户查询模块用于获取当前用户信息，并在知识库模块中利用当前用户信息判断当前用户是否为新用户，具体为：
[0014]获取当前用户id，利用用户id在知识库模块中进行匹配查询，若查询到用户id，则当前用户为老用户，若没有查询到用户id则当前用户为新用户。
[0015]进一步地，所述复合信息增强模块用于利用知识图谱获取用户
‑
优惠券得分列表，从而进行优惠券推荐，具体为：
[0016]步骤一、用户对应的知识图谱进行初始化、归一化获得用户行为信息的向量表示；
[0017]步骤二、将用户行为信息的向量表示作为正例，并利用正例构建负例，利用正例和负例组成训练集；
[0018]所述负例为人为构建的错误的用户行为信息的向量；
[0019]步骤三、将训练集输入到TransE模型中，对TransE模型进行训练，不断更新用户行为信息的向量中的实体与关系向量值，达到预设训练轮次，更新结束，获得推荐元组；
[0020]步骤四、利用得分函数对推荐元组进行打分，并按照推荐元组的打分值将推荐元组从高到低排序，获得用户
‑
优惠券得分列表，按照列表依次推荐优惠券信息。
[0021]进一步地，所述对TransE模型进行训练采用交叉熵损失函数。
[0022]一种基于电子商务优惠券领域知识图谱的推荐方法，包括以下步骤：
[0023]S1、构建当前电商平台用户对应的知识图谱，获得知识图谱库；
[0024]所述知识图谱形式为：实体
‑
点击关系
‑
实体；
[0025]S2、获取当前用户信息，并在S1构建的知识图谱库中查找当前用户，若查找到当前用户，则当前用户为老用户，则执行S3；若没有查找到当前用户，则当前用户为新用户，则执行S4；
[0026]S3、获取当前用户对应的知识图谱，利用当前用户对应的知识图谱获取用户
‑
优惠券列表，从而进行优惠券推荐信息；
[0027]S4、获取新用户输入的老用户A的信息，并在S1构建的知识图谱库中获取A对应的知识图谱；
[0028]S5、获取当前新用户对电商平台热门商品的打分情况，利用S4获取的A对应的知识图谱和当前新用户对电商平台热门商品的打分情况构建新用户知识图谱，然后执行S3；同时将新用户知识图谱保存到知识图谱库中。
[0029]进一步地，所述S1中的当前电商平台用户对应的知识图谱中的实体包括：用户、商
品、优惠券；点击关系包括：使用，原价购买，优惠购买。
[0030]进一步地，所述S3中的获取当前用户对应的知识图谱，利用当前用户对应的知识图谱获取用户
‑
优惠券列表，从而进行优惠券推荐信息，具体为：
[0031]S301、获取当前用户对应的知识图谱，对当前用户对应的知识图谱进行初始化、归一化获得用户行为信息的向量表示；
[0032]S302、将用户行为信息的向量表示作为正例，并利用正例构建负例，利用正例和负例组成训练集；
[0033]所述负例为人为构建的错误的用户行为信息的向量；
[0034]S303、将训练集输入到TransE模型中，对TransE模型进行训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电子商务优惠券领域知识图谱的推荐系统，其特征在于所述系统包括：用户查询模块、知识库模块、复合信息增强模块、好友信息查询模块、热门商品打分模块；所述知识库模块用存储电商平台用户对应的知识图谱；所述电商平台的知识图谱形式为：实体
‑
点击关系
‑
实体；所述用户查询模块用于获取当前用户信息，并在知识库模块中利用当前用户信息判断当前用户是否为新用户，若为新用户则进入好友信息查询模块；若为老用户则将知识库模块中存储的当前老用户对应的知识图谱输入到复合信息增强模块中；所述复合信息增强模块用于利用用户对应的知识图谱获取用户
‑
优惠券得分列表，从而进行优惠券推荐；所述好友信息查询模块用于获取新用户输入的老用户信息，并在知识库模块中获取老用户对应的知识图谱，并将老用户对应的知识图谱发送给热门商品打分模块；所述热门商品打分模块用于获取当前新用户对电商平台的热门商品打分情况，并利用当前新用户对电商平台的热门商品打分情况和老用户对应的知识图谱构建新用户知识图谱，并将新用户知识图谱输入到知识库模块和复合信息增强模块。2.根据权利要求1所述的一种基于电子商务优惠券领域知识图谱的推荐系统，其特征在于：所述知识图谱中的实体包括：用户、商品、优惠券；点击关系包括：使用，原价购买，优惠购买。3.根据权利要求2所述的一种基于电子商务优惠券领域知识图谱的推荐系统，其特征在于：所述用户查询模块用于获取当前用户信息，并在知识库模块中利用当前用户信息判断当前用户是否为新用户，具体为：获取当前用户id，利用用户id在知识库模块中进行匹配查询，若查询到用户id，则当前用户为老用户，若没有查询到用户id则当前用户为新用户。4.根据权利要求3所述的一种基于电子商务优惠券领域知识图谱的推荐系统，其特征在于：所述复合信息增强模块用于利用知识图谱获取用户
‑
优惠券得分列表，从而进行优惠券推荐，具体为：步骤一、用户对应的知识图谱进行初始化、归一化获得用户行为信息的向量表示；步骤二、将用户行为信息的向量表示作为正例，并利用正例构建负例，利用正例和负例组成训练集；所述负例为人为构建的错误的用户行为信息的向量；步骤三、将训练集输入到TransE模型中，对TransE模型进行训练，不断更新用户行为信息的向量中的实体与关系向量值，达到预设训练轮次，更新结束，获得推荐元组；步骤四、利用得分函数对推荐元组进行打分，并按照推荐元组的打分值将推荐元组从高到低排序，获得用户
‑

【专利技术属性】
技术研发人员：黄理铭，朴秀峰，黄少滨，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：