CN110321486B - 一种网络商城的推荐方法和装置 - Google Patents

Abstract

本发明的实施例公开一种网络商城的推荐方法和装置，所述方法包括：步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；步骤2，计算当前用户u和各个用户v针对搜索e_j的相关性q_ujv：步骤3，对于所述相关性q_ujv转换为和为1的相关性概率分布p_ujv；步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵；步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户。

Description

一种网络商城的推荐方法和装置

技术领域

本发明涉及电子商务领域，尤其涉及一种网络商城的推荐方法和装置。

背景技术

推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。机器学习在推荐系统中同样有很广泛的应用，如今大型互联网网站比如Amazon、淘宝、京东等，都投入了很大的精力在推荐系统这一领域上，希望用户能够更加快速的找到自己想要的商品或者与自己相同爱好的用户。

发明内容

有鉴于此，本发明实施例提供一种网络商城的推荐方法和装置，能够给用户推荐有相同爱好的其他用户。

一种网络商城的推荐方法，包括：

步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量e_j；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{m_i}和第三向量集合{c_i}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{e_j}；

即：q→e_j，M→{m_i}，M→{c_i}，E→{e_j}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为商品的总数目；

步骤2，计算当前用户u和各个用户v针对搜索e_j的相关性q_ujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：

步骤3，对于所述相关性q_ujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布p_ujv，所述相关性概率分布由至少两个相关性q_ujv组成；

步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；

步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；

步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。

一种网络商城的推荐装置，包括：

第一获取单元，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量e_j；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{m_i}和第三向量集合{c_i}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{e_j}；

即：q→e_j，M→{m_i}，M→{c_i}，E→{e_j}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为商品的总数目；

计算单元，计算当前用户u和各个用户v针对搜索e_j的相关性q_ujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：

转换单元，对于所述相关性q_ujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布p_ujv，所述相关性概率分布由至少两个相关性q_ujv组成；

建立单元，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；

变换单元，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；

选择单元，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。

本发明中，能够给用户推荐有相同爱好的其他用户，提高了用户体验。

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它的附图。

图1为本发明的实施例网络商城的推荐方法的示意图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。

如图1所示，为本发明所述的一种网络商城的推荐方法，包括：

步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量e_j；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{m_i}和第三向量集合{c_i}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{e_j}；

即：q→e_j，M→{m_i}，M→{c_i}，E→{e_j}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为商品的总数目；

步骤2，计算当前用户u和各个用户v针对搜索e_j的相关性q_ujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：

步骤3，对于所述相关性q_ujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布p_ujv，所述相关性概率分布由至少两个相关性q_ujv组成；

步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；

步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；

步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。

其中，所述步骤2包括：

其中，q_ujv表示当前查询用户u和任意用户v相对于待查询商品j的相关性；

m_u和m_v来自第二向量集合{m_i}；m_u代表当前用户的向量，m_v代表第二向量集合{m_i}中任意用户的向量；

e_j来自第四向量集合{e_j}；e_j代表当前查询的商品的名称的向量。

其中，所述步骤3包括：

q_ujk表示当前查询用户u和任意用户k相对于待查询商品j的相关性，k是N中的任意一项；

p_ujv表示对所有相关性结果q_ujk经过softmax函数归一化后的相关性概率分布；其中exp是底为自然对数e的指数运算。

其中，所述步骤4包括：

o_uj表示当前查询用户u和所有用户相对于查询的商品j的第一相关性信息矩阵；c_v来自第三向量集合{c_i}，代表用户v的信息；

其中，所述步骤5包括：

r_uj＝Wo_uj+b

r_uj表示当前查询用户u和所有用户相对于查询的商品j的第二相关性信息矩阵；W是训练过程中的参数；b也为训练过程中的参数，他们为随机生成的且符合均值为0、均方差为0.5的正态分布的初始化矩阵。

本发明具有以下有益效果：

1)能够帮助用户找到他真正感兴趣的内容，即找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。其基本思想非常易于理解，符合我们在日常生活中的行为习惯。

2)从用户的角度来进行相应推荐，是自动的，即用户获得的推荐是系统从购买模式或浏览行为等隐式获得的，不需要用户努力地找到适合自己兴趣的推荐信息，如填写一些调查表格等。

以下描述本发明的应用场景。

一种网络书店的推荐方法，包括：

步骤1，获取当前用户输入的搜索语句q；网络书店中所有用户的名称M、网络书店中所有书的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量e_j；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{m_i}和第三向量集合{c_i}；将所述所有书的名称E进行词向量化，生成第四向量的集合{e_j}；

即：q→e_j，M→{m_i}，M→{c_i}，E→{e_j}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为书的总数目；

步骤2，计算当前用户u和所有用户v针对搜索e_j的相关性q_ujv，此相关性是经过向量间的乘法运算所得的相关性，叫做向量乘法相关性，因为向量是有方向的，向量间的乘法运算所得的结果便是向量间的距离，该距离的大小反映了向量间的相关性程度，值越大，相关性越大：

步骤3，对于所述相关性q_ujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布，该分布是许多q_ujv组成的，q_ujv中u和j是固定的，v是变化的，v是N中的某个值，该分布的含义是给定当前查询用户u和的查询项目j，计算u用户与N中所有用户之间针对查询项目j的相关性概率，q_ujv值越大，说明u用户和v用户在j查询项目上的相关性越大：举个例子，小王(u)用该系统查询了红楼梦(j)，系统根据这些信息计算得他和小李(v)的相关性概率最大(q_ujv最大)，说明在红楼梦这一查询项目上，小李和小王最接近。

步骤4，根据所述权重向量，得到第一相关性信息矩阵：该矩阵的含义是，步骤三中得出q_ujv值只表示相关性概率信息，取值是0到1之间，其本身并没有富含更多的有关用户的信息，而经过步骤四，相当于做一个求数学期望的运算，就是将步骤三所得的相关性概率分布的每一项与所有用户的向量集合{c_i}的每一项一一对应相乘，所得的所有结果再相加，最后的值o_uj相较于q_ujv区别在于富含了所有用户的信息，而不单单是概率信息。

步骤5，根据所述第一相关性信息矩阵，(所做的变换就是：将o_uj进行线性变换(r_uj＝Wo_uj+b))得到第二相关性信息矩阵；所述第二相关性信息矩阵意义在于，对第一相关性信息矩阵作进一步数学运算，使模型具有更强的学习能力，因为参数W，b中增加了信息；

步骤6，从所述第二相关性信息矩阵中选择大于预定阈值的概率分布值；获取选择出的概率分布值对应的用户，将所述用户作为推荐进行输出。

本发明还提供一种网络商城的推荐装置，其特征在于，包括：

第一获取单元，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量e_j；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{m_i}和第三向量集合{c_i}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{e_j}；

即：q→e_j，M→{m_i}，M→{c_i}，E→{e_j}；i和j代表元素的编号；i属于N，j属于M，N为用户总数目，M为商品的总数目；

计算单元，计算当前用户u和各个用户v针对搜索e_j的相关性q_ujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：

转换单元，对于所述相关性q_ujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布p_ujv，所述相关性概率分布由至少两个相关性q_ujv组成；

建立单元，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；

变换单元，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；

选择单元，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-0nly Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种网络商城的推荐方法，其特征在于，包括：

步骤1，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量e_j；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{m_i}和第三向量集合{c_i}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{e_j}；

即：q→e_j,M→{m_i},M→{c_i},E→{e_j}；i和j代表元素的编号；i属于N,j属于M，N为用户总数目，M为商品的总数目；

步骤2,计算当前用户u和各个用户v针对搜索e_j的相关性q_ujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：

步骤3,对于所述相关性q_ujv，通过sof tmax归一化函数操作，转换为和为1的相关性概率分布p_ujv，所述相关性概率分布由N个相关性q_ujv组成，N至少为2；

步骤4，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；

步骤5，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；

步骤6，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出；

所述步骤2包括：

其中，q_ujv表示当前查询用户u和任意用户v相对于待查询商品j的相关性；

m_u和m_v来自第二向量集合{m_i}；m_u代表当前用户的向量，m_v代表第二向量集合{m_i}中任意用户的向量；

e_j来自第四向量集合{e_j}；e_j代表当前查询的商品的名称的向量；

所述步骤5包括：

r_uj＝Wo_uj+b

r_uj表示当前查询用户u和所有用户相对于查询的商品j的第二相关性信息矩阵；W是训练过程中的参数；b也为训练过程中的参数，他们为随机生成的且符合均值为0、均方差为0.5的正态分布的初始化矩阵。

2.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

q_ujk表示当前查询用户u和任意用户k相对于待查询商品j的相关性,k是N中的任意一项；

p_ujv表示对所有相关性结果q_ujk经过softmax函数归一化后的相关性概率分布；其中exp是底为自然对数e的指数运算。

3.根据权利要求1所述的方法，其特征在于，所述步骤4包括：

o_uj表示当前查询用户u和所有用户相对于查询的商品j的第一相关性信息矩阵；c_v来自第三向量集合{c_i}，代表用户v的信息。

4.一种网络商城的推荐装置，其特征在于，包括：

第一获取单元，获取当前用户输入的搜索语句q；网络商城中所有用户的名称M、网络商城中所有商品的名称E；将所述搜索语句q根据word2vec算法进行词向量化，生成第一向量e_j；将所述所有用户的名称M进行词向量化，生成相同的第二向量集合{m_i}和第三向量集合{c_i}；将所述所有商品的名称E进行词向量化，生成第四向量的集合{e_j}；

即：q→e_j,M→{m_i},M→{c_i},E→{e_j}；i和j代表元素的编号；i属于N,j属于M，N为用户总数目，M为商品的总数目；

计算单元,计算当前用户u和各个用户v针对搜索e_j的相关性q_ujv，所述相关性表示当前用户u和任意用户v相对于待查询商品j的相关性程度：

转换单元,对于所述相关性q_ujv，通过softmax归一化函数操作，转换为和为1的相关性概率分布p_ujv，所述相关性概率分布由至少两个相关性q_ujv组成；

建立单元，根据所述相关性概率分布，得到第一相关性信息矩阵，所述第一相关性信息矩阵包括各个用户标识和各个用户标识对应的相关性概率分布值；

变换单元，对所述第一相关性信息矩阵进行线性变换，得到第二相关性信息矩阵；所述第二相关性信息矩阵包括各个用户标识和各个用户标识对应的线性变换后的相关性概率分布值；

选择单元，从所述第二相关性信息矩阵中，选择大于预定阈值的线性变换后的相关性概率分布值；获取选择出的概率分布值对应的用户，将选择出所述用户作为给当前用户的推荐进行输出；

所述计算单元具体用于：

其中，q_ujv表示当前查询用户u和任意用户v相对于待查询商品j的相关性；

m_u和m_v来自第二向量集合{m_i}；m_u代表当前用户的向量，m_v代表第二向量集合{m_i}中任意用户的向量；

e_j来自第四向量集合{e_j}；e_j代表当前查询的商品的名称的向量；

所述变换单元具体用于：

r_uj＝Wo_uj+b

r_uj表示当前查询用户u和所有用户相对于查询的商品j的第二相关性信息矩阵；W是训练过程中的参数；b也为训练过程中的参数，他们为随机生成的且符合均值为0、均方差为0.5的正态分布的初始化矩阵。

Images