CN111815415B - 一种商品推荐方法、系统及设备 - Google Patents
一种商品推荐方法、系统及设备 Download PDFInfo
- Publication number
- CN111815415B CN111815415B CN202010675073.6A CN202010675073A CN111815415B CN 111815415 B CN111815415 B CN 111815415B CN 202010675073 A CN202010675073 A CN 202010675073A CN 111815415 B CN111815415 B CN 111815415B
- Authority
- CN
- China
- Prior art keywords
- user
- interaction
- information
- commodity
- behavior information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000003993 interaction Effects 0.000 claims abstract description 295
- 230000006399 behavior Effects 0.000 claims abstract description 259
- 230000007774 longterm Effects 0.000 claims description 88
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 25
- 230000000694 effects Effects 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000005304 joining Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- RPNUMPOLZDHAAY-UHFFFAOYSA-N Diethylenetriamine Chemical compound NCCNCCN RPNUMPOLZDHAAY-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012482 interaction analysis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 101000579646 Penaeus vannamei Penaeidin-1 Proteins 0.000 description 1
- -1 SHAN Chemical compound 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种商品推荐方法、系统及设备，涉及计算机应用技术领域，其中，方法可以包括：获取用户的历史交互行为信息；历史交互行为信息包括用户在历史时间内与商品的交互行为；基于历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定用户的用户特征信息；确定多个商品的商品特征信息；将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率；交互概率表示用户选择与商品交互的概率；基于交互概率为用户推荐商品。通过本发明实施例提供的商品推荐方法、系统及设备，能够提高推荐的准确性。
Description
技术领域
本发明涉及计算机应用技术领域，特别是涉及一种商品推荐方法、系统及设备。
背景技术
随着电子商务的普及，近年来购物方式发生了革命性的变化。推荐系统在电子商务中扮演着重要的角色，通过对历史用户-商品交互建模学习用户和商品的表示。以在下一商品推荐任务中，预测用户在下一时间实例中待交互的商品，不仅可以满足电子商务的业务需求，而且可以提高用户体验。
现有商品推荐方法，获取用户一段时间内的交互序列，统计交互序列中用户与各个商品的交互次数，根据交互次数预测用户待交互的商品，并将该预测的商品推荐给用户，如将交互次数最多的交互序列中用户所交互的商品作为用户待交互的商品。但是，随着时间的变化，用户的需求有可能是变化的，现有商品推荐方法会使得推荐的准确性较低。
发明内容
本发明实施例的目的在于提供一种商品推荐方法、系统及设备，以提高推荐的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种商品推荐方法，包括：
获取用户的历史交互行为信息；所述历史交互行为信息包括所述用户在历史时间内与商品的交互行为；
基于所述历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定所述用户的用户特征信息；
确定多个商品的商品特征信息；
将所述用户特征信息和多个商品的所述商品特征信息输入预先训练好的预测模型，得到所述用户分别与各个商品的交互概率；其中，所述预测模型基于多个用户特征信息样本和商品特征信息样本训练得到；所述交互概率表示所述用户选择与所述商品交互的概率；
基于所述交互概率为所述用户推荐商品。
第二方面，本发明实施例提供了一种商品推荐系统，包括：
获取模块，用于获取用户的历史交互行为信息；所述历史交互行为信息包括所述用户在历史时间内与商品的交互行为；
第一确定模块，用于基于所述历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定所述用户的用户特征信息；
第二确定模块，用于确定多个商品的商品特征信息；
预测模块，用于将所述用户特征信息和多个商品的所述商品特征信息输入预先训练好的预测模型，得到所述用户分别与各个商品的交互概率；其中，所述预测模型基于多个用户特征信息样本和商品特征信息样本训练得到；所述交互概率表示所述用户选择与所述商品交互的概率；
推荐模块，用于基于所述交互概率为所述用户推荐商品。
第三方面，本发明实施例提供了一种商品推荐设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的商品推荐方法、系统及设备，在确定用户的用户特征信息过程中，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，同时，确定多个商品的商品特征信息，并将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率，基于交互概率为用户推荐商品。如此，能够提高推荐的准确性。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明实施例提供的商品推荐方法的流程图；
图2为本发明实施例中确定用户特征信息的流程示意图；
图3为本发明实施例中的时间异质交互图的示意图；
图4为本发明实施例提供的具体实施例的流程示意图；
图5(a)为本发明实施例中的一种变体实验效果示意图；
图5(b)为本发明实施例中的另一种变体实验效果示意图；
图5(c)为本发明实施例中的又一种变体实验效果示意图；
图6(a)为本发明实施例中一种短期交互作用影响分析效果图；
图6(b)为本发明实施例中另一种短期交互作用影响分析效果图；
图6(c)为本发明实施例中又一种短期交互作用影响分析效果图；
图7(a)为本发明实施例中一种长期交互作用影响分析效果图；
图7(b)为本发明实施例中另一种长期交互作用影响分析效果图；
图7(c)为本发明实施例中又一种长期交互作用影响分析效果图；
图8(a)为本发明实施例中交互行为影响的一种影响分析示意图；
图8(b)为本发明实施例中交互行为影响的另一种影响分析示意图；
图8(c)为本发明实施例中交互行为影响的又一种影响分析示意图；
图9(a)为本发明实施例中头的数量对性能的一种影响分析示意图；
图9(b)为本发明实施例中头的数量对性能的另一种影响分析示意图；
图9(c)为本发明实施例中头的数量对性能的又一种影响分析示意图；
图10为本发明实施例提供的商品推荐系统的结构示意图；
图11为本发明实施例提供的商品推荐设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在商品推荐任务中，现有方法试图通过捕获交互序列的演化来建模用户需求，然而，它们的表达往往是受限的，只考虑单一的交互行为而忽视了购买、收藏、点击、加入购物车等多种交互行为之间的影响，且孤立地建模短期需求而不能刻画用户历史兴趣。
另外，现有序列模型同时也忽略了用户和商品之间多种交互行为所包含的丰富的异质结构信息。不同用户和商品之间存在关联，如李华和张三购买和加入收藏的S2不能用单独的交互序列来显式建模。更重要的是，还存在异质类型的丰富用户项交互，如“点击”、“收藏”、“购买”和“加入购物车”。在“购买”和“加入购物车”的交互中，李华喜欢B2品牌的商品；在各种交互中，S2更受男孩的欢迎。
为了提高推荐的准确性，更能满足用户的需求，本发明实施例提供了一种商品推荐方法。下面对本发明实施例提供的商品推荐方法进行详细说明。本发明实施例提供的商品推荐方法可以应用于电子设备，具体地，电子设备可以为终端，如个人电脑，手机，等等。
本发明实施例提供了一种商品推荐方法，如图1所示，可以包括：
S101，获取用户的历史交互行为信息；历史交互行为信息包括用户在历史时间内与商品的交互行为；
S102，基于历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定用户的用户特征信息；
S103，确定多个商品的商品特征信息；
S104，将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率；其中，预测模型基于多个用户特征信息样本和商品特征信息样本训练得到；交互概率表示用户选择与商品交互的概率；
S105，基于交互概率为用户推荐商品。
本发明实施例中，在确定用户的用户特征信息过程中，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，同时，确定多个商品的商品特征信息，并将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率，基于交互概率为用户推荐商品。如此，能够提高推荐的准确性。
参照图1，对本发明实施例提供的推荐方法进行详细说明。
S101，获取用户的历史交互行为信息。
用户可以理解为待预测用户，即为该用户预测待交互的商品，可以包括多个用户，分别获取各个用户分别对应的历史交互行为信息。
历史交互行为信息包括用户在历史时间内与商品的交互行为。交互行为可以包括用户“点击”、“收藏”、“购买”和“加入购物车”商品等。
历史交互行为信息可以包括时序特征信息，在一时刻或一段时间内，历史交互行为信息可以是用户在该时刻或该段时间，与商品的交互行为的特征向量。历史交互行为信息可以包括用户在历史时间内各个时刻或各个时间段内，与商品的交互行为的特征向量的集合，即各个时刻或各个时间段分别对应的特征向量组成的时序特征向量的集合。
S102，基于历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定用户的用户特征信息。
用户特征信息可以反映用户对商品的偏好。
历史兴趣，即用户习惯往往在关键抉择时起着重要作用，即会影响用户需求。例如，用户在浏览类似商品(如两个书包)时，更喜欢点击那些具有自己在意的属性的商品(如书包的品牌)。
且不同交互行为之间存在依赖、关联关系。例如，“点击”与同一商品或类似商品上的“加入购物车”或“购买”更为相关；“收藏”可能与“加入购物车”或“购买”不太相关，但从长远来看与用户的品牌或生活方式选择密切相关，等等。
结合用户习惯对用户需求的影响以及不同交互行为之间的影响，一方面，在确定用户特征信息的过程中，考虑不同历史交互行为信息之间的关联，有效地模拟复杂的时间动态，也可以理解为长期的交互行为所表示的用户习惯对用户需求的影响，将用户习惯与不断变化的用户需求结合起来。另一方面，充分利用时间异质性交互作用对不同类型的偏好进行建模，从多种类型的互动中提取潜在的关联和多方面的偏好，如从多个历史交互行为信息挖掘潜在的关联以及更丰富的偏好。
S103，确定多个商品的商品特征信息。
商品特征信息可以包括商品与用户交互的特征信息和/或商品属性信息。
商品与用户交互的特征信息用于表示用户对商品的偏好。可以基于不同用户的历史交互行为信息，提取针对商品的商品特征信息。例如，分析与该商品交互的不同用户的共同特征，等等。
商品属性信息用于表示商品本身的属性，例如可以包括商品的品牌、生产地、价格等等。
S104，将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率。
其中，预测模型基于多个用户特征信息样本和商品特征信息样本训练得到。交互概率表示用户选择与商品交互的概率。
训练预测模型的过程可以包括基于多个样本用户对应的用户特征信息样本和商品特征信息样本进行训练。
具体地，获取多个样本用户的历史交互行为信息；基于历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定样本用户的用户特征信息；以及确定多个商品的商品特征信息；将样本用户的用户特征信息和多个商品的商品特征信息输入初始模型，对初始模型进行训练，也可以理解为不断调整初始模型的参数，用户特征信息即样本用户对应的用户特征信息样本，训练过程中所使用的商品特征信息可以称之为商品特征信息样本。
具体地，可以针对各个样本用户以及各个商品，将一个样本用户、一个商品以及样本用户与该商品的交互概率真值(也可以称之为真实标签)作为一个样本对，将该样本对输入初始模型，基于初始模型的实际输出，也可以称之为预测概率与样本对中的交互概率真值计算损失值，直至达到训练结束条件，则得到预测模型，训练结束条件可以包括损失值收敛或者达到预设值，或者迭代次数达到预设次数，等等。
一种可选的实施例中，预测模型可以是基于多层感知机(MLP，MultilayerPerceptron)构建的，例如，初始模型为MLP，将样本对输入MLP，通过MLP进行作用，得到预测概率：
其中，表示预测概率，sigmoid()表示sigmoid函数，hu表示样本用户u的用户特征信息，hv表示商品v的商品特征信息。
计算损失值L：
其中，y(u,v)表示交互概率真值，y(u,v)∈{0,1}。
S105，基于交互概率为用户推荐商品。
根据用户与商品的交互概率，预测用户待交互的商品，并将商品推荐给用户。
通过交互概率决定是否推荐该商品给用户以及推荐的先后顺序，等等。
一种可选的实施例中，可以预先设置推荐阈值，当用户与商品的交互概率大于等于该推荐阈值时，则将该商品作为用户待交互的商品，并将商品推荐给用户。
另一种可选的实施例中，针对每一用户，该用户分别与交互的各个商品组成交互对，可以按照交互概率将多个交互对排序，例如，按照交互概率从大到小或者从小到大的顺序进行排列，并根据排序结果为用户推荐商品。
本发明实施例中，在确定用户的用户特征信息过程中，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，同时，确定多个商品的商品特征信息，并将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率，基于交互概率为用户推荐商品。如此，能够提高推荐的准确性。
一种可选的实施例中，如图2所示，S102可以包括：
S1021，基于历史交互行为信息，计算用户的长期偏好行为信息。
一种可选的实施例中，可以针对各个类型的交互行为，将相同类型的交互行为进行聚合，得到类型对应的偏好行为信息；利用注意力机制，建立不同类型的偏好行为信息之间的关联关系，得到用户的长期偏好行为信息。
用户交互行为表现出长期偏好来表达个人和历史习惯。特别是，存在着多种类型的异质交互，它们之间具有不同的相关性。例如，“点击”与同一商品或类似商品上的“加入购物车”或“购买”更为相关；“收藏”可能与“加入购物车”或“购买”不太相关，但从长远来看与用户的品牌或生活方式选择密切相关。因此，不同类型的交互行为既有潜在的相关性，也有多方面的偏好。充分编码多方面长期偏好潜在的、细粒度的相关性。给定用户u以及边交互{vi,ti,ri,|1≤i≤n}。为了区分不同类型的交互，可以通过异质聚集器来生成不同类型关系上的节点偏好。
具体地，针对各个类型的交互行为，将相同类型的交互行为进行聚合，得到类型对应的偏好行为信息，包括：
通过公式将相同类型的交互行为进行聚合，得到类型对应的偏好行为信息；
其中，表示r交互关系对应的用户u的偏好行为信息，σ表示激活函数，/>表示商品vi在ti时刻的时序特征表示，/>表示交互关系映射矩阵，/>表示矩阵元素为实数的实数矩阵，d×2d表示矩阵的维度，d表示输出向量的维度，AGGREGATE()表示信息聚合操作，n表示长期兴趣行为的长度，i表示交互行为的标识。
利用注意力机制，建立不同类型的偏好行为信息之间的关联关系，得到用户的长期偏好行为信息，包括：
通过公式建立不同类型的偏好行为信息之间的关联关系，得到用户的长期偏好行为信息/>
其中，表示映射权重，bl表示偏置参数，/> 表示查询矩阵，/>表示键矩阵，/>表示值向量，/>和/>表示映射矩阵，da表示映射矩阵的维度，d表示输出向量的维度，/>表示交互行为的类型的集合，r′、r″表示/>中的元素，/>表示交互类型r′下的查询向量，Ku,r′表示交互类型r′下的健向量，Ku,r″表示交互类型r″下的查询向量，Vu,r′表示交互类型r′下的值向量。/>d×da和d×d均表示矩阵维度。
为了表达潜在多方面的偏好，可以采用多头注意力机制来建模潜在的、细粒度的偏好。具体来说，可以将长期偏好行为信息划分为h个部分d表示输出向量的维度，m表示将d均分为m份，然后针对每个头来学习节点的注意力权重，构建节点表示。
S1022，从历史交互行为信息中选择部分行为信息。
部分行为包括当前时间之前的预设时间范围的部分时间所对应行为的信息。
S1023，基于部分行为信息以及长期偏好行为信息，计算用户的短期偏好行为信息。
用户最近的交互通常表示当前需求的变化。例如，张三目前的需求已经从书包变成笔记本电脑。为了模拟短期和演化的偏好，可以采用门控递归单元(Gated recursiveunit，GRU)，用于捕获最近交互的依赖性。
一种可选的实施例中，可以基于部分行为信息，通过门控递归单元GRU，得到短期需求信息；利用习惯引导的注意力机制，结合短期需求信息和长期偏好行为信息，得到短期偏好行为信息。
基于部分行为信息，通过GRU，得到短期需求信息，可以包括：
通过公式基于部分行为信息，得到ti时刻用户u的短期需求信息/>
其中，GRU(·)表示门控递归函数，表示商品vi在ti时刻时ri交互关系所对应的时序特征表示，/>表示ti时刻之前的历史时刻用户u的短期需求信息，k表示短期行为兴趣的长度。
用户当前和不断变化的需求不仅受到其最近交互行为的影响。用户的长期偏好，即用户习惯，也可以称之为历史习惯，如品牌和生活方式倾向，往往起着微妙但重要的作用。因此，可以在历史习惯的指导下，加强短期偏好的编码，以发现更细粒度和个性化的偏好。
利用习惯引导的注意力机制，结合短期需求信息和长期偏好行为信息，得到短期偏好行为信息，包括：
通过公式得到短期偏好行为信息/>
其中，W(S)表示映射矩阵，au,i表示注意力权重，σ表示激活函数，且 表示联合操作，Wa表示注意力参数矩阵，/>表示用户的长期偏好行为信息，xu表示用户u的用户属性信息，/>表示ti时刻用户u的短期需求信息，j表示交互行为的序号，/>表示用户u在tj时刻的短期需求信息，bs表示偏置参数。其中，联合操作也可以理解为进行聚合。
S1024，将长期偏好行为信息和短期偏好行为信息结合，得到用户的用户特征信息。
可以通过公式：将长期偏好行为信息和短期偏好行为信息结合，得到用户的用户特征信息；
其中，hu表示用户u的用户特征信息，σ表示激活函数，xu表示用户u的用户属性信息，表示用户u的短期偏好行为信息，/>表示用户u的长期偏好行为信息，Wu表示映射权重，bu表示偏置参数，/>表示联合操作。
商品的时间交互与用户的时间交互明显不同。在大规模的电子商务平台上，许多用户经常在同一时间与同一个商品进行交互，而不同用户之间没有一个有意义的序列效应。换言之，只对一般、长期受欢迎的商品进行建模更为合理。因此，可以通过类似于用户长期兴趣建模的方式来建模商品长期兴趣本发明实施例中确定商品的商品特征信息可以采用类似于计算用户的长期偏好行为信息的过程，商品特征信息表示为：
其中，hv表示商品特征信息，Wv表示参数矩阵，bv表示偏置值，表示商品的长期兴趣表示。
本发明实施例中考虑交互行为的复杂动力学和丰富的异质性，从而短期需求符合历史行为习惯，并利用丰富的异质性来表达不同类型偏好的潜在相关性，其中，交互行为的复杂动力学可以理解为复杂的时间动态变化下交互行为的变化，丰富的异质性可以理解为多种类型的交互行为，以及不同类型的交互行为之间的关联。具体地，从如何有效地模拟复杂的时间动态，将历史习惯和不断变化的需求结合起来，以及如何充分利用时间异质性交互作用对不同类型的偏好进行建模两方面考虑。一方面，可以将用户习惯建模为用户长期偏好，具体地为长期偏好行为信息，将当前不断变化的用户需求建模为用户短期偏好，具体地为短期偏好行为信息。并基于历史习惯构建注意力机制来建模当前需求，使用户长期偏好和用户短期偏好紧密结合，在商品推荐过程中，结合用户习惯对用户需求的影响。另一方面，挖掘用户和商品的异质因素，以及不同因素之间的关联。
一种可选的实施例中，S101可以包括：
从预先构建的时间异质交互图中获取用户的历史交互行为信息。
其中，时间异质交互图包括多个用户与多个商品在不同时间交互的信息，且各个用户分别具有用户属性信息和各个商品分别具有商品属性信息。
可以基于多个用户与多个商品的历史交互行为，以及用户属性信息和商品属性信息构建时间异质交互图THIG。具体地，给定图G＝{V,E,T,A,O,R,φ,ψ}，其中，V表示节点集合，O表示节点类型集合，E表示边集合，R表示边类型集合，T表示边上的时间戳信息，A表示点属性信息。此外，φ表示边类型映射函数，ψ表示关系类型映射函数，在THIG中，要求边类型或者点类型的数量要大于1。
时间异质交互图中包括4种类型的交互边，即点击，收藏，加入购物车和购买；包括2种类型的节点，即用户和商品。每条交互边上具有时间信息。此外，用户和商品具有属性信息，如用户属性信息可以包括年龄，商品属性信息可以包括品牌。基于时间异质交互图THIG建模复杂的数据(可以包括多个用户与多个商品的历史交互行为，以及用户属性信息和商品属性信息)，可以保留动态交互中的更丰富的属性信息。如图3所示，时间异质交互图中包括用户1、用户2、用户3和用户4，以及商品1、商品2、商品3和商品4，用户和商品之间存在交互行为，通过交互边来体现，且各个用户分别具有用户属性，各个商品分别具有商品属性。用户1随着时间动态变化，时间异质交互图中可以包括用户交互行为的变化序列，也可以理解为用户需求的变化时序，如用户1在2019-08-31 10:25:09点击书包1，在后续时间收藏书包2，......，购买钢笔1，点击笔记本1，在2019-09-30 12:10:32点击笔记本2，.......等等。
基于该时间异质交互图，可以给定用户u的历史交互行为信息{vi,ti,ri,|i≤n},其中，vi,ti,ri分别表示历史交互行为信息的商品、时间以及交互关系。设定当前时间为T，可以用于推荐用户u在下一时刻待交互商品v。例如，张三已经点击、购买了S1，S2，S3，以及S4，预测张三下一时刻待交互的商品。本发明实施例提供了一个具体的实施例以实现如何基于时间异质交互图预测用户待交互的商品。
用户与交互的商品不仅存在属性信息，同时具有时间信息。时间信息表示为{t1,t2,…,tn}，节点v的表示包含了静态和动态的组成部分，节点类型可以是用户或商品。其中，静态的部分由属性构成：
xv＝Wφ(v)Av
其中，表示v节点的类型映射矩阵，φ(v)表示节点类型，d表示映射空间维度，dφ(v)表示节点属性特征的维度，/>表示节点的属性特征，xv可以表示节点的静态表示。继而，在时间t时，设置Δt为到当前时间距离，同时将整体的时间距离划分为多个时间桶中，则v节点的时序特征表示矩阵设置为Wξ(Δt)。其中，ξ(Δt)表示一个映射操作函数，将Δt分配到一个时段中，/>B表示人为设定的所有可分配的时段。继而基于时段表示矩阵/>来构建节点的时序特征表示。因此，商品v在时间t时刻的时序特征表示为：
其中，表示联合操作。
也可以生成包括用户属性信息(如年龄、住址、职业、消费水平)等在内的静态表示xu以及时序特征表示xu,t。为了进一步建模异质交互的序列演化，可以生成考虑交互类型的节点时序表示，即其中，/>表示交互关系的特征表示，表示商品vi在ti时刻交互关系为ri的特征表示。
如图4所示，输入时序异质交互图，基于时序异质交互图进行如下步骤：
A1.采样用户长期行为；具体地，获取用户的历史交互行为信息；历史交互行为信息包括用户在历史时间内与商品的交互行为；如可以从时序异质交互图中获取。
A2.长期行为时序特征编码；A3.针对每一类型长期行为构建长期表示；A4.基于异质自注意力机制构建用户长期兴趣。
具体地可以参考上述S1021，基于历史交互行为信息，计算用户的长期偏好行为信息。
A5.截取用户短期行为。具体地可以参考上述步骤S1022，从历史交互行为信息中选择部分行为信息
A6.短期行为时序特征编码；A7.融合短期行为类型特征基于GRU模型建模用户短期行为演化特征；A8.建模考虑长期习惯的用户短期兴趣。具体地可以参考上述步骤S1023，基于部分行为信息以及长期偏好行为信息，计算用户的短期偏好行为信息。
A9.用户特征表示。具体地可以参考上述步骤S1024，将长期偏好行为信息和短期偏好行为信息结合，得到用户的用户特征信息。
A10.采样用户长期行为；A11.长期行为时序特征编码；A12.针对每一类型长期行为构建长期表示；A13.基于异质自注意力机制构建用户长期兴趣；A14.商品特征表示。类似于上述计算用户特征信息的过程，计算商品特征表示，通过不同用户与商品的交互计算商品特征信息。
A15.预测交互概率；A16.MLP框架下训练。基于MLP框架，通过多个用户特征信息样本和商品特征信息样本训练，调整参数，得到预测模型，将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率。
A17.推荐，即基于交互概率为用户推荐商品。
另外，本发明实施例通过仿真实验以展示本发明实施例中基于时序异质交互图的商品推荐方法的性能，为了简便说明，本发明中基于时序异质交互图的商品推荐方法可以称之为方法THIGE。具体地，在三个真实数据集上评估了THIGE的经验性能，包括Yelp、CloudTheme和UserBehavior。
Yelp：一个公共业务数据集，具有两种类型的时间交互，即用户和商店之间的“评论”和“标记”。用户和商店都包含连续和离散的特性。本发明中选择在2019年8月14日之前发生的交互作为训练数据，剩下的作为测试数据。对于培训和测试数据，最后一个交互的商店被标记为正实例，而5个从未交互的同类业务被随机抽取为负实例。
CloudTheme：记录点击和购买日志的公共电子商务数据集。用户和项与数据集给定的嵌入向量相关联。本发明中选择最后一天之前发生的交互作为训练数据，剩下的作为测试数据。对于训练和测试数据，我们将最后一个交互项作为阳性实例，并随机抽取5个与阴性实例相同主题的其他项。为了表示简单，可以表示为CT.。
UserBehavior：从实时电子商务平台中提取的工业数据集，由用户与商品之间的“点击”、“收藏”、“购物车”和“购买”交互组成。对于训练和测试数据，本发明中利用用户的实际反馈作为标签——在显示给用户的候选项中，以点击项为正实例，从剩余的候选项中抽取5个其他项作为负实例。为了表示简单，可以表示为UB.。
三个数据集描述如表1所示：
表1
对比实验和参数设置如下：
将THIGE与六个有代表性的模型进行比较，展示商品推荐的有效性，并评估本发明中推荐方法的有效性。对比模型介绍如下：
DIEN和STAMP是两个序列模型，前者是一个用于编码演化兴趣的层次GRU，后者是一个用于提取基于会话的兴趣的短期内存优先级模型。SHAN和M3R专注于建模长期交互以增强偏好学习。SHAN采用分层的注意机制来融合历史和近期的交互作用，而M3R分别用GRUs和注意机制来模拟长期和短期的兴趣，分别处理短期和长期偏好，并通过级联或加法将它们的嵌入组合起来。MEIRec和GATN是两个基于GNN的异质模型，MEIRec侧重于基于不同元路径的信息聚合而不关注元路径的相关性，而GATNE则将多种类型的交互与注意机制结合在一起，但未能建立动态模型。
对于所有对比方法和本发明中的方法THIGE，本发明在上述三个数据集上设置输出向量的维度大小d＝128,da＝128，时间编码矩阵维度16，多头h＝8，最大迭代次数为100，批处理大小为1024，学习率为0.001，正则化权重为0.001。在这三个数据集上，时序桶B的数量分别设置为60、14和7。对于DIEN、MEIRec和THIGE，设置三层MLP，尺寸分别为64、32和1。
对于THIGE和所有学习长期或短期偏好的对比实验，可以将最后10、10和50个交互视为短期，将多达50、50和200个历史交互分别作为Yelp、CloudTheme和用户行为的长期样本。
利用F1、精确率召回率曲线下面积(Precision-Recall Area Under Curve，PR-AUC)和接受者工作特征曲线下面积(Receiver-Operating-Characteristic Area UnderCurve，ROC-AUC)来评估商品推荐的效果。其中，F1综合评价商品推荐的召回率和准确率、PR-AUC则评价商品推荐的召回率和准确率的整体趋势，ROC-AUC综合评价商品推荐的正负样本预测的准确性趋势。这三个指标均是越大越好，即指标越大，性能越好。
具体地效果展示如表2所示：
表2
分析表2，可以得出：THIGE模型在这三个数据集上的F1、PR-AUC和ROC-AUC的推荐的效果均是最好。在Yelp上的性能比第二好(也即DIEN、STAMP、SHAN、M3R、MEIRec、GATNE和THIGE这6种算法性能排在第2位)的高4.04％，在CloudTheme上的性能比第五好(上述6种算法性能排在第5位)高5.84％，在用户行为上的性能比第二好高0.51％。
与序列模型(DIEN、STAMP、SHAN和M3R)相比，THIGE的优越性有两个方面。首先，THIGE设计了一种更有效的方法来整合长期和短期偏好，使得当前的需求明确地受到历史习惯的指导。其次，还考虑了用户和商品之间不同类型的交互，从而获得更好的性能。
与基于GNN的模型(MEIRec和GATNE)相比，THIGE的主要改进来自于联合建模历史习惯和不断变化的需求。此外，MEIRec以完全解耦的方式对不同类型的交互作用进行建模，而GATNE和THIGE则通过建模它们的潜在相关性来获得更好的性能。基于GNN的异质方法通常优于序列模型，这也不足为奇，因为前者考虑了多类型交互，而后者只对单类型交互建模。
变种实验对比，分析几种类型的THIGE变体，以评估选择的有效性，如下所示。
注意力机制：THIGE(hm)只使用异质多头自我注意，不使用习惯引导注意；THIGE(hb)则相反，只使用习惯引导注意。长短期融合的影响：THIGE(L)仅适用于长范围模型，而THIGE(S)仅适用于短范围模型。时序影响力：HIGE从THIGE中移除时间维度，将图形视为静态的。
几种类型的变体的实验效果对比如图5(a)、图5(b)和图5(c)所示，依次为基于上述三张数据集的效果图。ROC-AUC实际上是指不同阀值下FPR(横轴，预测为1且真实标签为0)和TPR(纵轴，预测为1且真实为1)所构成的二维曲线与TPR＝0和FPR＝1两条直线下图形的面积。这种指标可以综合看待模型正负样本预测能力。
本发明中的THIGE优于所其他三类变体。与THIGE(hb)和THIGE(hm)相比，THIGE以细粒度的方式对异质偏好的潜在相关性进行建模，并对历史习惯对当前需求的影响进行建模，从而获得更好的性能。与THIGE(S)和THIGE(L)相比，短期和长期偏好的联合建模可以提高性能，这也验证了用户即时决策的假设被他们的历史习惯所引导。与HIGE相比，THIGE的改进证明了时间嵌入的有效性。
关键参数分析如下：
在THIGE中，有四个关键因素可能会显著影响模型的性能：短期交互作用的长度、长期交互作用的样本、交互作用的类型和潜在偏好的数量(即头部的数量)。
如图6(a)、图6(b)和图6(c)依次表示短期交互行为的数量在三个数据集Yelp，CloudTheme，UserBehavior上的性能分析。短期交互行为的数量可以理解为短期交互作用的长度。
图6(a)、图6(b)至图6(c)研究了短期长度对模型的影响。分别将三个数据集的长期相互作用样本固定为50、50和200，然后调整短期相互作用的长度。以图6(c)为例，将长度在10到75之间变化(即，将最后10到75个动作视为短期)。当初始长度增加时，薄膜的性能不断提高，直到在40或50左右达到饱和。进一步将更多的互动视为短期的，并没有额外的好处，这是预期的，因为它们不再被视为当前的需求。这也证明，长期的、历史的行为必须以不同的方式建模，以捕捉用户的习惯；仅仅延长短期的时间是行不通的。
如图7(a)、图7(b)和图7(c)依次表示长期交互行为的数量在三个数据集Yelp，CloudTheme，UserBehavior上的性能分析。长期行为的数量可以理解为长期交互作用的长度。
图7(a)、图7(b)至图7(c)，检测长期相互作用长度的影响。在这里，将短期交互的长度分别定为10、10和50，然后将相应的长期交互样本从50个更改为250个(用户行为)，从5个更改为100个(Yelp和CloudTheme)。很明显，所有的性能改进都是持续的，但逐渐减弱。造成这种现象的主要原因有两个。一方面，随着长度的增加，越来越多的用户的整个历史交互被捕获并建模。另一方面，包含太多交互的用户可能会出现异常并引入限制性能的噪声。
不同交互行为叠加影响分析如图8(a)、图8(b)和图8(c)所示，展示了不同类型的相互作用的贡献。以用户行为为例，逐步将“点击”、“最爱”、“购物车”和“购买”的交互包括在内，一次一个。例如，图8(c)中的性能逐渐提高，这意味着集成异质交互的有效性。此外，与“最爱”和“购物车”相比，“最爱”行为的边际收益要比“购物车”小，这也就不足为奇了，因为“最爱”行为只具有诱导未来“购物车”的微弱倾向，而“购物车”行为更容易导致购买。这也意味着不同类型的交互不能单独处理。因此，建模不同类型交互的潜在关联性起着重要的作用。
此外，由于异质多头自我注意机制中的头数h反映了类别和品牌等潜在偏好的数量，也可以将三个数据集上的头数从1变为16，以分析h对THIGE的影响。多头注意力机制中头的数量对性能的影响分析如图9(a)、图9(b)和图9(c)所示，也即性能随注意力的头数的变化情况，图9(a)、图9(b)和图9(c)中的实验结果表明，h＝8是一个普遍适用的选择。
本发明实施例解决了商品推荐中基于时序异质交互图的表示学习问题。充分利用动态的、异质的信息，通过习惯引导和异质的自我注意机制，提出一种建立短期和长期偏好模型的方法。且在三个真实数据集上的大量实验结果证明了提出的模型的有效性。
对应于上述实施例提供的商品推荐方法，本发明实施例提供了商品推荐系统，如图10所示，可以包括：
获取模块1001，用于获取用户的历史交互行为信息；历史交互行为信息包括用户在历史时间内与商品的交互行为；
第一确定模块1002，用于基于历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定用户的用户特征信息；
第二确定模块1003，用于确定多个商品的商品特征信息；
预测模块1004，用于将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率；其中，预测模型基于多个用户特征信息样本和商品特征信息样本训练得到；交互概率表示用户选择与商品交互的概率；
推荐模块1005，用于基于交互概率为用户推荐商品。
可选的，第一确定模块1002，具体用于基于历史交互行为信息，计算用户的长期偏好行为信息；从历史交互行为信息中选择部分行为信息，部分行为包括当前时间之前的预设时间范围的部分时间所对应行为的信息；基于部分行为信息以及长期偏好行为信息，计算用户的短期偏好行为信息；将长期偏好行为信息和短期偏好行为信息结合，得到用户的用户特征信息。
可选的，第一确定模块1002，具体用于针对各个类型的交互行为，将相同类型的交互行为进行聚合，得到类型对应的偏好行为信息；利用注意力机制，建立不同类型的偏好行为信息之间的关联关系，得到用户的长期偏好行为信息。
可选的，第一确定模块1002，具体用于基于部分行为信息，通过门控递归单元GRU，得到短期需求信息；利用习惯引导的注意力机制，结合短期需求信息和长期偏好行为信息，得到短期偏好行为信息。
可选的，第一确定模块1002，具体用于通过公式 将相同类型的交互行为进行聚合，得到类型对应的偏好行为信息；
其中，表示r交互关系对应的用户u的偏好行为信息，σ表示激活函数，/>表示商品vi在ti时刻的时序特征表示，/>表示交互关系映射矩阵，/>表示矩阵元素为实数的实数矩阵，d×2d表示矩阵的维度，d表示输出向量的维度，AGGREGATE()表示信息聚合操作，n表示长期兴趣行为的长度，i表示交互行为的标识；
通过公式建立不同类型的偏好行为信息之间的关联关系，得到用户的长期偏好行为信息/>
其中，W(L)表示映射权重，bl表示偏置参数，/>表示联合操作，da表示映射矩阵的维度，d表示输出向量的维度，/>表示交互行为的类型的集合，r′、r″表示/>中的元素，/>表示交互类型r′下的查询向量，Ku,r′表示交互类型r′下的健向量，Ku,r″表示交互类型r″下的查询向量，Vu,r′表示交互类型r′下的值向量。
可选的，第一确定模块1002，具体用于通过公式基于部分行为信息，得到ti时刻用户u的短期需求信息/>
其中，GRU(·)表示门控递归函数，表示商品vi在ti时刻时ri交互关系所对应的时序特征表示，/>表示ti时刻之前的历史时刻用户u的短期需求信息，k表示短期行为兴趣的长度；
通过公式得到短期偏好行为信息/>
其中，W(S)表示映射矩阵，au,i表示注意力权重，且 表示联合操作，Wa表示注意力参数矩阵，xu表示用户u的用户属性信息，/>表示ti时刻用户u的短期需求信息，j表示交互行为的序号，/>表示用户u在tj时刻的短期需求信息，bs表示偏置参数。/>
可选的，第一确定模块1002，具体用于通过公式： 将长期偏好行为信息和短期偏好行为信息结合，得到用户的用户特征信息；
其中，hu表示用户u的用户特征信息，σ表示激活函数，xu表示用户u的用户属性信息，表示用户u的短期偏好行为信息，/>表示用户u的长期偏好行为信息，Wu表示映射权重，bu表示偏置参数，/>表示联合操作。
可选的，获取模块1001，具体用于从预先构建的时间异质交互图中获取用户的历史交互行为信息，其中，时间异质交互图包括多个用户与多个商品在不同时间交互的信息，且各个用户分别具有用户属性信息和各个商品分别具有商品属性信息。
本发明实施例提供的商品推荐系统是应用上述商品推荐方法的系统，则上述商品推荐方法的所有实施例均适用于该系统，且均能达到相同或相似的有益效果。
对应于上述实施例提供的商品推荐方法，本发明实施例还提供了一种商品推荐设备，如图11所示，包括处理器1101、通信接口1102、存储器1103和通信总线1104，其中，处理器1101，通信接口1102，存储器1103通过通信总线1104完成相互间的通信。
存储器1103，用于存放计算机程序；
处理器1101，用于执行存储器1103上所存放的程序时，实现上述实施例提供的商品推荐方法的方法步骤。
本发明实施例中，在确定用户的用户特征信息过程中，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，同时，确定多个商品的商品特征信息，并将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率，基于交互概率为用户推荐商品。如此，能够提高推荐的准确性。
上述商品推荐设备提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述商品推荐设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的商品推荐方法的方法步骤。
本发明实施例中，在确定用户的用户特征信息过程中，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，同时，确定多个商品的商品特征信息，并将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率，基于交互概率为用户推荐商品。如此，能够提高推荐的准确性。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的商品推荐方法的方法步骤。
本发明实施例中，在确定用户的用户特征信息过程中，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，同时，确定多个商品的商品特征信息，并将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率，基于交互概率为用户推荐商品。如此，能够提高推荐的准确性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (8)
1.一种商品推荐方法，其特征在于，包括：
获取用户的历史交互行为信息；所述历史交互行为信息包括所述用户在历史时间内与商品的交互行为；
基于所述历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定所述用户的用户特征信息；
确定多个商品的商品特征信息；
将所述用户特征信息和多个商品的所述商品特征信息输入预先训练好的预测模型，得到所述用户分别与各个商品的交互概率；其中，所述预测模型基于多个用户特征信息样本和商品特征信息样本训练得到；所述交互概率表示所述用户选择与所述商品交互的概率；
基于所述交互概率为所述用户推荐商品；
所述基于所述历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定所述用户的用户特征信息，包括：
基于所述历史交互行为信息，计算所述用户的长期偏好行为信息；
从所述历史交互行为信息中选择部分行为信息，所述部分行为包括当前时间之前的预设时间范围的部分时间所对应行为的信息；
基于所述部分行为信息以及所述长期偏好行为信息，计算所述用户的短期偏好行为信息；
将所述长期偏好行为信息和所述短期偏好行为信息结合，得到所述用户的用户特征信息；
所述基于所述历史交互行为信息，计算所述用户的长期偏好行为信息，包括：
针对各个类型的交互行为，将相同类型的交互行为进行聚合，得到所述类型对应的偏好行为信息；
利用注意力机制，建立不同类型的所述偏好行为信息之间的关联关系，得到所述用户的长期偏好行为信息；
所述基于所述交互概率为所述用户推荐商品，包括：
当所述用户与商品的交互概率大于等于推荐阈值时，则将商品作为所述用户待交互的商品，并将商品推荐给所述用户；或者，针对每一用户，将所述用户分别与交互的各个商品组成交互对，按照交互概率将多个交互对排序，并根据排序结果为用户推荐商品。
2.根据权利要求1所述的方法，其特征在于，所述基于所述部分行为信息以及所述长期偏好行为信息，计算所述用户的短期偏好行为信息，包括：
基于所述部分行为信息，通过门控递归单元GRU，得到短期需求信息；
利用习惯引导的注意力机制，结合所述短期需求信息和所述长期偏好行为信息，得到所述短期偏好行为信息。
3.根据权利要求1所述的方法，其特征在于，所述针对各个类型的交互行为，将相同类型的交互行为进行聚合，得到所述类型对应的偏好行为信息，包括：
通过公式将相同类型的交互行为进行聚合，得到所述类型对应的偏好行为信息；
其中，所述表示r交互关系对应的用户u的所述偏好行为信息，σ表示激活函数，表示商品vi在ti时刻的时序特征表示，/>表示交互关系映射矩阵，/>表示矩阵元素为实数的实数矩阵，d×2d表示矩阵的维度，d表示输出向量的维度，AGGREGATE()表示信息聚合操作，n表示长期兴趣行为的长度，i表示交互行为的标识；
所述利用注意力机制，建立不同类型的所述偏好行为信息之间的关联关系，得到所述用户的长期偏好行为信息，包括：
通过公式建立不同类型的所述偏好行为信息之间的关联关系，得到所述用户的长期偏好行为信息/>
其中，W(L)表示映射权重，bl表示偏置参数，/>表示联合操作，da表示映射矩阵的维度，d表示输出向量的维度，/>表示交互行为的类型的集合，r′、r″表示/>中的元素，/>表示交互类型r′下的查询向量，Ku,r′表示交互类型r′下的健向量，Ku,r″表示交互类型r″下的查询向量，Vu,r′表示交互类型r′下的值向量。
4.根据权利要求2所述的方法，其特征在于，所述基于所述部分行为信息，通过门控递归单元GRU，得到短期需求信息，包括：
通过公式基于所述部分行为信息，得到ti时刻用户u的短期需求信息/>
其中，GRU(·)表示门控递归函数，表示商品vi在ti时刻时ri交互关系所对应的时序特征表示，/>表示ti时刻之前的历史时刻用户u的短期需求信息，k表示短期行为兴趣的长度；
所述利用习惯引导的注意力机制，结合所述短期需求信息和所述长期偏好行为信息，得到所述短期偏好行为信息，包括：
通过公式得到所述短期偏好行为信息/>
其中，W(s)表示映射矩阵，au,i表示注意力权重，σ表示激活函数，且 表示联合操作，Wa表示注意力参数矩阵，/>表示用户的长期偏好行为信息，xu表示用户u的用户属性信息，/>表示ti时刻用户u的短期需求信息，j表示交互行为的序号，/>表示用户u在tj时刻的短期需求信息，bs表示偏置参数。
5.根据权利要求1所述的方法，其特征在于，所述将所述长期偏好行为信息和所述短期偏好行为信息结合，得到所述用户的用户特征信息，包括：
通过公式：将所述长期偏好行为信息和所述短期偏好行为信息结合，得到所述用户的用户特征信息；
其中，所述hu表示用户u的用户特征信息，σ表示激活函数，xu表示用户u的用户属性信息，表示用户u的所述短期偏好行为信息，/>表示用户u的所述长期偏好行为信息，Wu表示映射权重，bu表示偏置参数，/>表示联合操作。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述获取用户的历史交互行为信息，包括：
从预先构建的时间异质交互图中获取所述用户的历史交互行为信息，其中，所述时间异质交互图包括多个用户与多个商品在不同时间交互的信息，且各个用户分别具有用户属性信息和各个商品分别具有商品属性信息。
7.一种商品推荐系统，其特征在于，包括：
获取模块，用于获取用户的历史交互行为信息；所述历史交互行为信息包括所述用户在历史时间内与商品的交互行为；
第一确定模块，用于基于所述历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定所述用户的用户特征信息；
第二确定模块，用于确定多个商品的商品特征信息；
预测模块，用于将所述用户特征信息和多个商品的所述商品特征信息输入预先训练好的预测模型，得到所述用户分别与各个商品的交互概率；其中，所述预测模型基于多个用户特征信息样本和商品特征信息样本训练得到；所述交互概率表示所述用户选择与所述商品交互的概率；
推荐模块，用于基于所述交互概率为所述用户推荐商品；
其中，所述第一确定模块，具体用于基于所述历史交互行为信息，计算所述用户的长期偏好行为信息；
从所述历史交互行为信息中选择部分行为信息，所述部分行为包括当前时间之前的预设时间范围的部分时间所对应行为的信息；
基于所述部分行为信息以及所述长期偏好行为信息，计算所述用户的短期偏好行为信息；
将所述长期偏好行为信息和所述短期偏好行为信息结合，得到所述用户的用户特征信息；
所述第一确定模块，具体用于针对各个类型的交互行为，将相同类型的交互行为进行聚合，得到所述类型对应的偏好行为信息；
利用注意力机制，建立不同类型的所述偏好行为信息之间的关联关系，得到所述用户的长期偏好行为信息；
所述推荐模块，具体用于当所述用户与商品的交互概率大于等于推荐阈值时，则将商品作为所述用户待交互的商品，并将商品推荐给所述用户；或者，针对每一用户，将所述用户分别与交互的各个商品组成交互对，按照交互概率将多个交互对排序，并根据排序结果为用户推荐商品。
8.一种商品推荐设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010675073.6A CN111815415B (zh) | 2020-07-14 | 2020-07-14 | 一种商品推荐方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010675073.6A CN111815415B (zh) | 2020-07-14 | 2020-07-14 | 一种商品推荐方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111815415A CN111815415A (zh) | 2020-10-23 |
| CN111815415B true CN111815415B (zh) | 2023-10-27 |
Family
ID=72842550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010675073.6A Active CN111815415B (zh) | 2020-07-14 | 2020-07-14 | 一种商品推荐方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815415B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112256971B (zh) * | 2020-10-29 | 2023-06-20 | 清华大学深圳国际研究生院 | 一种序列推荐方法及计算机可读存储介质 |
| CN112365062A (zh) * | 2020-11-13 | 2021-02-12 | 中国民航大学 | 一种民航旅客隐式交互特征挖掘与航班推荐方法及系统 |
| CN114513700A (zh) * | 2020-11-16 | 2022-05-17 | 中国移动通信集团有限公司 | 一种推荐视频的方法、装置、设备及存储介质 |
| CN112598472B (zh) * | 2020-12-25 | 2024-02-13 | 中国工商银行股份有限公司 | 产品推荐方法、装置、系统、介质和程序产品 |
| CN112597391B (zh) * | 2020-12-25 | 2022-08-12 | 厦门大学 | 一种基于动态递归机制的分层强化学习的推荐系统 |
| CN113139856B (zh) * | 2021-05-14 | 2023-04-07 | 青岛聚看云科技有限公司 | 影视会员套餐推荐方法及设备 |
| CN113222706B (zh) * | 2021-05-25 | 2024-01-30 | 深圳和锐网络科技有限公司 | 商品的二次推送方法、装置、电子设备及存储介质 |
| CN113298661B (zh) * | 2021-07-28 | 2021-11-05 | 北京芯盾时代科技有限公司 | 一种基于人工智能的产品推荐方法、装置及电子设备 |
| CN113781158A (zh) * | 2021-08-23 | 2021-12-10 | 湖南大学 | 商品组合的推荐方法、装置及存储介质 |
| CN113987261B (zh) * | 2021-11-08 | 2023-07-18 | 烟台大学 | 一种基于动态信任感知的视频推荐方法及系统 |
| CN114648391B (zh) * | 2022-05-18 | 2022-08-12 | 湖南工商大学 | 一种网购信息推荐方法 |
| CN115309975A (zh) * | 2022-06-28 | 2022-11-08 | 中银金融科技有限公司 | 基于交互特征的产品推荐方法及系统 |
| CN115309997B (zh) * | 2022-10-10 | 2023-02-28 | 浙商银行股份有限公司 | 一种基于多视图自编码特征的商品推荐方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
| CN108109008A (zh) * | 2017-12-21 | 2018-06-01 | 暴风集团股份有限公司 | 用于预估广告的点击率的方法、装置、设备和存储介质 |
| CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
| CN109711887A (zh) * | 2018-12-28 | 2019-05-03 | 拉扎斯网络科技（上海）有限公司 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011094734A2 (en) * | 2010-02-01 | 2011-08-04 | Jumptap, Inc. | Integrated advertising system |
-
2020
- 2020-07-14 CN CN202010675073.6A patent/CN111815415B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485562A (zh) * | 2015-09-01 | 2017-03-08 | 苏宁云商集团股份有限公司 | 一种基于用户历史行为的商品信息推荐方法及系统 |
| CN108109008A (zh) * | 2017-12-21 | 2018-06-01 | 暴风集团股份有限公司 | 用于预估广告的点击率的方法、装置、设备和存储介质 |
| CN108648049A (zh) * | 2018-05-03 | 2018-10-12 | 中国科学技术大学 | 一种基于用户行为区别建模的序列推荐方法 |
| CN109711887A (zh) * | 2018-12-28 | 2019-05-03 | 拉扎斯网络科技（上海）有限公司 | 商城推荐列表的生成方法、装置、电子设备及计算机介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111815415A (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815415B (zh) | 一种商品推荐方法、系统及设备 | |
| CN108648049B (zh) | 一种基于用户行为区别建模的序列推荐方法 | |
| CN110717098B (zh) | 基于元路径的上下文感知用户建模方法、序列推荐方法 | |
| EP3757995A1 (en) | Music recommendation method and apparatus, and computing device and medium | |
| KR102472572B1 (ko) | 사용자 의도 프로파일링 방법 및 이를 위한 장치 | |
| Zhang et al. | Enabling kernel-based attribute-aware matrix factorization for rating prediction | |
| CN110162690A (zh) | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 | |
| CN112487278A (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
| KR20190007875A (ko) | 유통과 물류의 최적화를 위한 마케팅 관리 데이터 제공 방법 및 이를 위한 장치 | |
| Salehi | An effective recommendation based on user behaviour: a hybrid of sequential pattern of user and attributes of product | |
| Wang et al. | Webpage depth viewability prediction using deep sequential neural networks | |
| Tan et al. | Recommendation based on users’ long-term and short-term interests with attention | |
| US20170177739A1 (en) | Prediction using a data structure | |
| CN113850654A (zh) | 物品推荐模型的训练方法、物品筛选方法、装置和设备 | |
| CN111161009B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
| CN114817692A (zh) | 确定推荐对象的方法、装置和设备及计算机存储介质 | |
| Madi et al. | Plmwsp: Probabilistic latent model for web service qos prediction | |
| Dai et al. | A two-phase method of QoS prediction for situated service recommendation | |
| CN118043802A (zh) | 一种推荐模型训练方法及装置 | |
| Tran et al. | Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering | |
| CN115222177A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| Ntalianis et al. | Wall-content selection in social media: A revelance feedback scheme based on explicit crowdsourcing | |
| Gondaliya et al. | Multi-batch quasi-Newton method with artificial neural network for movie recommendation | |
| Gnotthivongsa et al. | Rating Prediction for Mobile Applications via Collective Matrix Factorization Considering App Categories | |
| US20240070743A1 (en) | Systems and methods for recommended sorting of search results for online searching |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |