CN108805628A - 一种电子商务推荐方法 - Google Patents

Abstract

本申请公开了一种电子商务推荐方法：将附加信息的One‑hot向量输入到异构信息网络，异构信息网络通过对附加信息的One‑hot向量中的数据信息进行分析处理，形成异构信息网络隐向量；将用户和物品的One‑hot向量通过去噪自编码器生成嵌入向量；将嵌入向量分别输入至记忆网络和泛化网络中，记忆网络对嵌入向量进行广义矩阵分解形成记忆网络隐向量，泛化网络利用嵌入向量进行序列预测形成泛化网络隐向量；将异构信息网络隐向量、记忆网络隐向量和泛化网络隐向量进行整合，形成整合向量，并输入深度神经网络层；深度神经网络层输出预测评分，完成混合推荐。本申请的推荐方法可以快速的从海量的数据中找到自己需要的信息，拓宽信息蕴藏含量的广度，增加推荐的精确度。

Description

一种电子商务推荐方法

技术领域

本发明涉电子商务技术领域，尤其涉及一种电子商务推荐方法。

背景技术

随着科学技术的发展，目前已经进入了信息爆炸的时代，由于海量信息的涌现使得信息的利用率大幅降低，从而出现了称之为信息超载的现象。特别是在当前的大数据时代，如何从海量的数据中准确地找到自己所需要的信息，更是一个十分紧迫的问题。

推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，为顾客提供完全个性化的推荐服务。它的关键技术是针对大数据的人工智能技术，目前深度学习是近年来该领域取得的最重要的突破之一。深度学习的本质是通过多层非线性变换，从大数据中自动学习特征，从而替代手工设计的特征。在大规模数据上进行的实验表明：通过深度学习得到的特征表示在自然语言处理、图像分类和语音识别等领域表现出良好的性能。目前，常用的推荐模型MF是线性函数，表达力有限，单独的网络推荐不能同时兼顾用户的喜好、时间顺序等因素进行混合推荐，在推荐方法中如何利用已有的商品信息、用户信息、附加信息等为用户进行精确实时的推荐十分重要。

发明内容

本发明的目的在于提供一种电子商务推荐方法，以达到快速的从海量的数据中找到自己需要的信息，拓宽信息蕴藏含量的广度，增加推荐的精确度的技术效果。

为达到上述目的，本发明采用如下技术方案：

一种电子商务推荐方法，推荐方法为：将附加信息的One-hot向量输入到异构信息网络，异构信息网络通过对附加信息的One-hot向量中的数据信息进行分析处理，形成异构信息网络隐向量；将用户和物品的One-hot向量通过去噪自编码器生成嵌入向量；将嵌入向量分别输入至记忆网络和泛化网络中，记忆网络对嵌入向量进行广义矩阵分解形成记忆网络隐向量，泛化网络利用嵌入向量进行序列预测形成泛化网络隐向量；将异构信息网络隐向量、记忆网络隐向量和泛化网络隐向量进行整合，形成整合向量，并输入深度神经网络层；深度神经网络层输出预测评分，完成混合推荐。

优选的，预先使用已知数据集对基于推荐方法的推荐系统进行训练，训练过程中利用已知数据集中的one-hot向量获得训练期预测评分，训练期预测评分与已知数据集中的实际评分对比获得误差值，并根据误差值进行学习，形成成熟推荐系统。

优选的，去噪自编码器获取嵌入向量的方法，具体为：输入有用户和物品的One-hot向量；将用户和物品的One-hot向量进行降维和非线性处理；得到嵌入向量。

优选的，嵌入向量包括用户隐向量和物品隐向量。

优选的，深度神经网络层至少为一层，不同的层根据不同的权重对整合向量进行降维。

优选的，深度神经网络层的具体模型为其中，p_u代表用户的潜语义向量，q_i代表物品的潜语义向量，Θ_f代表交互函数f；交互函数f的公式为：f(p_u,q_i)＝Φ_out(Φ_X(...Φ₂(Φ₁(p_u,q_i))...))其中，Φ_out和Φ_X分别代表输出层和深度神经网络层的第x层的映射函数，深度神经网络层一共有x层。

优选的，获得误差值的误差函数具体为：其中，L_C为误差值；为预测评分λ_Θ||Θ||²为正则项。

优选的，广义矩阵分解具体为：第一层映射函数：φ₁(p_u，q_i)＝p_u⊙q_i，，其中，p_u代表用户的潜语义向量，q_i代表物品的潜语义向量，⊙为两个向量的元积，映射到输出层的预测评分公式为：其中，为预测评分；a_out等于σ(x)＝1/(1+e^-x)，代表输出层的激活函数；h^T为权重；T为转置。

优选的，在泛化网络中应用LSTM。

本发明的有益效果是：本申请的推荐方法可以快速的从海量的数据中找到自己需要的信息，拓宽信息蕴藏含量的广度，增加推荐的精确度。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为一种推荐方法的流程示意图；

图2为一种去噪自编码器获取嵌入向量的方法的流程示意图；

图3为图1对应的框架图。

具体实施方式

下面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。

根据图1和图3所示，本发明提供一种电子商务推荐方法，具体如下：

S110：将附加信息的One-hot向量输入到异构信息网络，异构信息网络通过对附加信息的One-hot向量中的数据信息进行分析处理，形成异构信息网络隐向量。

具体的，附加信息的One-hot向量为当前用户的好友用户或者关注用户等的信息，如：用户评论文本、用户和物品的属性内容、浏览或点击情况等。作为一种实施例，附加信息的One-hot向量的信息包括导演、演员、剧本、电影和公司，异构信息网络对该附加信息的One-hot向量进行分析处理，生成异构信息网络隐向量，该异构信息网络隐向量可以为导演、演员和剧本三者组成向量，也可以为导演和剧本组成的向量；电影、公司和导演组成的向量等，有效的弥补了输入信息自身信息蕴含量有限的缺陷。

S120：将用户和物品的One-hot向量通过去噪自编码器生成嵌入向量。

进一步的，如图2所示，去噪自编码器获取嵌入向量的方法，具体为：

S210：向输入层X₀输入有用户和物品的One-hot向量；

S220：将有用户和物品的One-hot向量通过中间层X₁进行降维和非线性处理；

S230：得出隐藏层X₂，隐藏层X₂包括嵌入向量。

进一步的，嵌入向量包括用户隐向量和物品隐向量。

S130：将嵌入向量分别输入至记忆网络和泛化网络中，记忆网络对嵌入向量进行广义矩阵分解形成记忆网络隐向量，泛化网络利用嵌入向量进行序列预测形成泛化网络隐向量。

进一步的，记忆网络的广义矩阵分解的公式具体为：

第一层映射函数：

φ₁(p_u，q_i)＝p_u⊙q_i，

其中，p_u代表用户的潜语义向量，q_i代表物品的潜语义向量，⊙为两个向量的元积。

映射到输出层的预测评分公式为：

其中，为预测评分；a_out代表输出层的激活函数；h^T为权重；T为转置；当a_out为恒等函数(identityfunction，线性的)且h为全1向量时，该结构为基本的MF模型。优选的，本申请使用sigmoid函数σ(x)＝1/(1+e^-x)作为a_out，利用对数损失(logloss，交叉熵损失)从数据中学习h，将基本的MF模型推广为非线性状态，有利于增加表达力。

进一步的，在泛化网络中应用LSTM(长短期记忆网络)，用于捕获推荐中的时间因素，从而挖掘用户不断变化的口味和兴趣。

具体的，作为一个实施例，记用户i在时间t之前的消费物品集合为相应的t时间之后的消费物品集合为在泛化网络中应用LSTM从而达到该推荐不仅关注推荐物品集，同时也关注物品集出现的顺序，实现通过一个的函数来预测中的物品。如：用户先消费x1，再x2，再x3，其物品集出现的顺序依次为x1、x2、x3，该泛化网络进行推荐时会根据该顺序来预测用户接下来需要的物品集(x4，x5等)。

S140：将异构信息网络隐向量、记忆网络隐向量和泛化网络隐向量进行整合，形成整合向量，并输入深度神经网络层。

进一步的，深度神经网络层至少为一层，不同的层根据不同的权重对整合向量进行降维。

进一步的，深度神经网络层的公式为：

其中，为预测评分，p_u代表用户的潜语义向量，q_i代表物品的潜语义向量，Θ_f代表交互函数f，也即深度神经网络层的模型参数；

交互函数f的公式为：

f(p_u,q_i)＝Φ_out(Φ_X(...Φ₂(Φ₁(p_u,q_i))...))

其中，Φ_out和Φ_X分别代表输出层和深度神经网络层的第x层的映射函数，该深度神经网络层一共有x层。

S150：输出预测评分，完成混合推荐。

优选的，在使用本申请的推荐方法前，先使用已知的数据集对基于该推荐方法的推荐系统进行训练，训练过程中利用已知数据集中的one-hot向量获得训练期预测评分，训练期预测评分与已知数据集中的实际评分对比获得误差值，并根据误差值进行学习，形成成熟推荐系统。进一步，成熟推荐系统形成后，用户输入新的数据，例如新的附加信息的One-hot向量、用户和物品的One-hot向量等，成熟推荐系统根据新的数据生成新的预测评分，完成混合推荐，获得准确的推荐结果。

具体的，误差值的误差函数为：

其中:L_C为误差值；为预测评分；λ_Θ||Θ||²为正则项。

优选的，成熟推荐系统根据新的预测评分进行混合推荐时，只推荐预测评分大于85％的信息或者物品，具体的，预测评分指用户的喜好程度、用户搜索物品的相似程度等。

本发明的有益效果是：本申请的推荐方法可以快速的从海量的数据中找到自己需要的信息，拓宽信息蕴藏含量的广度，增加推荐的精确度。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种电子商务推荐方法，其特征在于，推荐方法为：

将附加信息的One-hot向量输入到异构信息网络，所述异构信息网络通过对所述附加信息的One-hot向量中的数据信息进行分析处理，形成异构信息网络隐向量；

将用户和物品的One-hot向量通过去噪自编码器生成嵌入向量；

将嵌入向量分别输入至记忆网络和泛化网络中，所述记忆网络对嵌入向量进行广义矩阵分解形成记忆网络隐向量，所述泛化网络利用嵌入向量进行序列预测形成泛化网络隐向量；

将所述异构信息网络隐向量、所述记忆网络隐向量和所述泛化网络隐向量进行整合，形成整合向量，并输入深度神经网络层；

深度神经网络层输出预测评分，完成混合推荐。

2.根据权利要求1所述的电子商务推荐方法，其特征在于，预先使用已知数据集对基于所述推荐方法的推荐系统进行训练，训练过程中利用已知数据集中的one-hot向量获得训练期预测评分，所述训练期预测评分与所述已知数据集中的实际评分对比获得误差值，并根据误差值进行学习，形成成熟推荐系统。

3.根据权利要求1所述的电子商务推荐方法，其特征在于，去噪自编码器获取嵌入向量的方法，具体为：

输入有用户和物品的One-hot向量；

将用户和物品的One-hot向量进行降维和非线性处理；

得到嵌入向量。

4.根据权利要求3所述的电子商务推荐方法，其特征在于，所述嵌入向量包括用户隐向量和物品隐向量。

5.根据权利要求1所述的电子商务推荐方法，其特征在于，所述深度神经网络层至少为一层，不同的层根据不同的权重对所述整合向量进行降维。

6.根据权利要求1所述的电子商务推荐方法，其特征在于，所述深度神经网络层的具体模型为：

其中，p_u代表用户的潜语义向量，q_i代表物品的潜语义向量，Θ_f代表交互函数f；

所述交互函数f的公式为：

f(p_u,q_i)＝Φ_out(Φ_X(...Φ₂(Φ₁(p_u,q_i))...))

其中，Φ_out和Φ_X分别代表输出层和深度神经网络层的第x层的映射函数，深度神经网络层一共有x层。

7.根据权利要求2所述的电子商务推荐方法，其特征在于，获得所述误差值的误差函数具体为：

其中，L_C为误差值；为预测评分λ_Θ||Θ||²为正则项。

8.根据权利要求1所述的电子商务推荐方法，其特征在于，广义矩阵分解具体为：

第一层映射函数：

φ₁(p_u，q_i)＝p_u⊙q_i，

其中，p_u代表用户的潜语义向量，q_i代表物品的潜语义向量，⊙为两个向量的元积，映射到输出层的预测评分公式为：

其中，为预测评分；a_out等于σ(x)＝1/(1+e^-x)，代表输出层的激活函数；h^T为权重；T为转置。

9.根据权利要求1所述的电子商务推荐方法，其特征在于，在泛化网络中应用LSTM。