CN111402013A - 一种商品搭配推荐方法、系统、装置及存储介质 - Google Patents

Abstract

本发明公开了一种商品搭配推荐方法、系统、装置及存储介质，该系统与装置均应用该方法，该存储介质为存储有该方法的存储介质；该方法包括离线部分和在线部分，其中离线部分根据用户在一时间段内的订单信息生成商品购买序列，应用该商品购买序列建立模型，并通过优化目标函数实现对模型的优化，同时引入注意力机制获取最终函数，减少用户在短时间内的重复购买与相似购买对模型的影响，最终获取商品向量，再通过商品向量计算用户向量；在在线部分计算候选搭配商品的商品向量与用户向量的相似度，将相似度最高的商品优先推荐给用户。

Description

一种商品搭配推荐方法、系统、装置及存储介质

技术领域

本发明涉及服装搭配推荐领域，特别是一种商品搭配推荐方法、系统、装置及存储介质。

背景技术

服装搭配推荐在电子商务中具有重要的意义，通过服装搭配，在线店铺可向用户推荐适合用户身材，风格的服装的搭配组合。例如当用户购买T恤时，系统向用户推荐牛仔裤作为搭配；通过搭配推荐可以提高商家的销售量，同时也为用户穿衣搭配提供建设性意见。

通常的推荐算法在为用户推荐商品时，由于未考虑商品搭配性，在推荐时会推荐同质类商品，这种推荐算法使用户成单率较低。搭配推荐虽然也属于推荐算法范畴，但与一般的推荐算法不同，其更考虑用户当前购买商品的搭配性。

现有的搭配推荐算法主要包括如下三种，1）通过协同过滤，将相似用户的购买商品作为搭配推荐的商品；2）通过服装的标题信息和图片信息作为特征，来进行上装和下装的搭配，如申请号为CN201410829691.6、名称为基于图像的服饰搭配推荐方法和服饰搭配推荐装置的中国发明专利；3）构建知识图谱，通过知识图谱的表示学习得到商品的向量表示，然后通过商品向量的相似度来选择搭配的商品。

上述三种方法中，方法2）未考虑到用户的历史购买信息，推荐的商品可能为用户之前买过的商品；方法1）和方法3）没有考虑用户在购买中会重复购买商品，因此会出现噪音序列，造成向用户推荐同类型的商品。

本发明的目的在于解决上述方法中的问题，根据客户的历史购买记录训练推荐模型，并在该推荐模型中引入注意力机制，消除短时间内重复购买或相似购买的导致同质化推荐，从而提高用户的成单率。

申请内容

本发明的目的在于克服现有技术的不足，提供能够消除用户在短时间内重复购买或相似购买导致的推荐同质化问题，从而更精准推荐用户所需商品、提高用户成单率的一种商品搭配推荐方法、系统、装置及存储介质。

本发明的目的通过以下技术方案来实现：

第一方面，一种商品搭配推荐方法，包括如下步骤：

离线部分：

步骤S1，获取一店铺中用户一时间段内的脱敏历史订单信息；

步骤S2，根据用户的历史订单信息中商品购买的时间序列，生成用户商品购买序列信息；

步骤S3，通过使用商品向量的平均值建立购买中心商品时购买背景商品的概率模型，并获得用于优化模型的目标函数；

步骤S4，引入注意力机制，使模型将注意力集中在与中心商品更为搭配的背景商品上，计算得到商品向量；

步骤S5，将各用户所购买商品的商品向量求和取平均获得各用户的用户向量；

在线部分：

步骤S6，根据用户的实时购买情况，推荐相应的候选搭配商品，并计算用户向量与所述候选搭配商品向量之间的相似度，再推荐相似度最高的商品为搭配商品。

进一步的，所述步骤S1进一步包括如下步骤：

步骤S11，获取同一店铺中所有用户的所有脱敏历史订单信息；

步骤S12，获取用户位置信息，以及对应位置的各季节持续时间信息；

步骤S13，确定所要选取的季节，并确定用户所在地该季节所持续的时间段，获取该时间段的脱敏历史订单信息。

进一步的，所述步骤S2中，所述用户商品购买序列中的前L-1个商品为所述背景商品，第L个商品为所述中心商品，其中L＞1。

进一步的，所述步骤S3中所述获得用于优化模型的目标函数之前还包括，在训练中通过最大化似然函数来学习模型参数。

进一步的，通过对所述最大化似然函数取对数并开展负采样进行优化获得所述目标函数，优化后的所述目标函数中还引入噪声商品采样，从而减少噪声商品对商品推荐的影响。

进一步的，所述步骤S4，所述注意力机制包括采用softmax函数获取商品向量的权重值，进而将用户历史订单信息中商品的向量和相加，并使用商品的向量和代替目标函数中商品向量的平均值。

进一步的，所述步骤S6中的所述通过余弦相似度计算用户向量与所述候选搭配商品向量之间的相似度之前还包括，排除与用户本次购买商品同类的候选搭配商品、无库存的候选搭配商品。

第二方面，一种商品搭配推荐系统包括：

订单信息获取模块，用于获取店铺中所有用户的脱敏位置信息，根据用户所在位置的各季节对应的持续时间段,根据预选的季节获取各用户对应时间段的脱敏历史订单信息；

商品序列生成模块，用于根据所有用户的脱敏历史订单信息生成商品购买序列，并将商品购买序列中的商品分为中心商品和背景商品，若中心商品为第L个商品，则背景商品为第L个商品之前的所有商品，即第1至第L-1个商品为背景商品；

函数优化模块，用于建立购买中心商品时购买背景商品的概率模型，并通过最大化似然函数来学习模型参数，通过负采样简化取对数后的最大化似然函数得到优化后的目标函数，再引入注意力机制生成用户历史订单信息中所购买商品的向量和，将用户历史购买商品的向量和代替目标函数中商品向量的平均值，得到进一步优化模型参数的最终函数；

向量生成模块，将用户购买商品序列通过优化后的模型计算获得商品向量，根据商品向量的平均值获取用户向量；

商品推荐模块，将用户实时购买的商品定义为中心商品，从模型的计算结果中获取候选搭配商品及其商品向量，并排除与用户本次购买商品同类的候选搭配商品、无库存的候选搭配商品，再采用余弦相似度计算用户向量与各剩余推荐候选搭配商品的商品向量之间的相似度；并推荐剩余候选搭配商品中相似度最高的商品。

第三方面，一种商品搭配推荐装置包括存储器、处理器以及存储在所述存储器内由所述处理器驱动的商品推荐程序，所述商品推荐程序被处理器执行时实现如第一方面所述的搭配推荐方法。

第四方面，一种存储介质，所述存储介质中存储有商品推荐程序，所述商品推荐程序被处理器执行时实现如第一方面所述的搭配推荐方法。

本发明具有以下有益效果：

本发明所提供的搭配算法充分考虑用户的历史购买行为，通过获取同一店铺的所有用户一段时间内的历史购买行为，其中一段时间根据用户所在位置相应的季节持续时间确定，改善原有选取一段固定时间段时因用户所在位置纬度跨度大导致的季节持续时间差异，进而影响用户商品类型选择不同，导致训练模型推荐精度下降；其次，通过引入注意力机制，将减小用户在短时间内重复购买或是相似购买的商品对训练模型推荐精度的影响，通过对用户购买商品的时间限制以及注意力机制的引入，能够极大的提供适宜商品的推荐精度，提高用户成单率。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1 为本发明的方法流程图；

图2 为本发明的系统结构图；

图中，100-订单信息获取模块，200-商品序列生成模块，300-函数优化模块，400-向量生成模块，500-商品推荐模块。

具体实施方式

为使发明实施例的目的、技术方案和优点更加清楚，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。

实施例提供一种商品搭配推荐方法、系统、装置及存储介质。

如图1所示，本申请的实施例1，提供了一种商品搭配推荐方法，主要分为离线部分与在线部分，其中离线部分包括：

步骤S1，获取一店铺中用户一时间段内的脱敏历史订单信息；从同一店铺的订单库中获取所有用户的所有脱敏历史订单信息，其中历史订单信息不仅包括商品信息，还包括用户的位置信息，并根据用户的位置信息获取该用户所在地各季节的持续时间信息；再确定所要选取的季节，获取各用户所在地该季节所持续的时间段，最后获取该时间段的脱敏历史订单信息。

当我们需要选择夏季时间段的订单信息时，按照传统方法，我们可能会选择6-8月，但是由于地区间纬度差异大，如果每个地方都选择固定的时间段，那么最后训练出来的模型推荐的精度会有所降低；在我们的方法中，会一并获取用户的位置信息，如用户A位于黑龙江省，用户B位于广东省，当我们选择的季节为夏季时，那么会提取用户A在6-8月的订单信息，而会提取用户B在4-10月的订单信息；可见由于用户的所在位置差异，其购买夏装的时间段会不同。

在上述时间段的选择中，由于人民普遍具有提前购买下个季节服装的习惯，所以在选择时间段时，还可以将季节的持续时间段中向前增加一个月，如上述的用户A获取其5-8月的订单信息，用户B获取其3-10月的订单信息。

并且，可以理解的是，不仅可以根据用户所在地相应季节持续时间段选择获取订单的时间段，还可以根据用户某一连续时间段内的所购买的服装的标签获取该连续时间段内同一标签的商品订单信息，其中标签包括诸如春装、夏装、秋装、冬装等为商品分类的标签。

步骤S2，根据用户的历史订单信息中商品购买的时间序列，生成用户商品购买序列信息，所述用户商品购买序列由背景商品和中心商品组成；当第L个商品为所述中心商品时，那么用户商品购买序列中的前L-1个商品为所述背景商品，其中L＞1。

进一步可以理解的是，在用户的商品购买序列中，购买的前L-1个商品能够在一定程度上表现出用户的偏好，那么前L-1个商品作为背景商品，就能对第L个商品进行预测，我们将被预测的商品称作中心商品，基于此，于是我们通过步骤S3构建了相关的函数。

步骤S3，通过使用商品向量的平均值建立购买中心商品时购买背景商品的概率模型，并获得用于优化模型的目标函数；在实际购买过程中，我们需要根据用户所购买的某一件商品，来推荐其他商品，此处的其他商品则相当于背景商品，而所购买的商品相当于中心商品。

其中步骤S3中所述获得用于优化模型的目标函数之前还包括，在训练中通过最大化似然函数来学习模型参数。

进一步的，在步骤3中，通过对所述最大化似然函数取对数并开展负采样进行优化获得所述目标函数，优化后的所述目标函数中还引入噪声商品采样，从而减少噪声商品对商品推荐的影响。将所述最大化似然函数取对数后，能够缩小函数中数据的绝对数值，从而方便计算；进一步的通过负采样来减少计算量与计算复杂度，达到优化函数的目的；噪声商品会影响模型的准确性，因此在优化后的目标函数中还需要减去噪声商品的所占的影响，从而减少噪声商品对商品推荐的影响，提高商品推荐的准确性。

步骤S4，引入注意力机制，使模型将注意力集中在与中心商品更为搭配的背景商品上，使用用户历史订单信息中所购买商品的向量和代替目标函数中商品向量的平均值，得到最终函数，将用户商品购买序列信息带入最终函数，计算得到商品向量。

为了得到更优化的结果，步骤S4还可以引入注意力机制生成用户历史订单信息中所购买商品的向量和，将用户历史购买商品的向量和代替目标函数中商品向量的平均值，得到最终函数，将用户商品购买序列信息带入最终函数，计算得到商品向量。

注意力机制早期是由视觉图像领域提出来的，作用机理是给予需要重点关注的目标区域或注意力焦点更多的关注，即给予需要重点关注的目标区域或注意力焦点更多的注意力，相应的给予周围的其他图像区域较低的注意力；在商品推荐领域，注意力机制主要以商品的属性为参考，如在夏季的时候，就会给予夏装更多的注意力，给予其他季节的服装较少的注意力，同样可以理解的在我们购买上装时，我们的注意力更多的会给予到下装上，从而可以尽量避免同质化的推荐。

注意力机制的引入是因为即便是较短一段时间内用户所购买的商品也可能存在复购或者相似购买的情况，这种商品会给整个搭配推荐带来噪声，而这样的购买序列我们称之为噪声序列，如一个商品序列为[…,sopa,detergent,toothbrush→toothpaste…]，对于牙刷(toothbrush)一个最为合理的搭配是牙膏(toothpaste)但由于我们购买序列中存在噪声因此很有可能使得soap的一个合理搭配也是牙膏(toothpaste)，因此我们引入了注意力机制，使得模型将注意力集中在更为搭配的商品上，从而为用户推荐搭配度更匹配的商品。

需要注意的是，我们的注意力机制会随着时间的推移而调整焦点，如我们在不同的季节，对不同类型的服装的注意力会有所不同。

步骤S5，将各用户所购买商品的商品向量求和取平均获得各用户的用户向量；可见商品向量与用户向量存在着影响关系，影响关系的强弱可表示用户对该类商品的接受程度强弱。

可以知晓的是，离线部分主要用于根据用户已经购买的订单信息优化模型，并计算相应商品的商品向量以及用户向量情况，进而根据商品向量和用户向量为在线部分提供服务，从而为用户提供更精准的商品推荐。

在线部分包括：

步骤S6，根据用户的实时购买商品情况，推荐相应的候选搭配商品，排除与用户本次购买商品同类的候选搭配商品、无库存的候选搭配商品，并计算用户向量与剩余所述候选搭配商品向量之间的相似度，再推荐相似度最高的候选搭配商品为搭配商品。

可以看出，此处用户实时购买的商品即离线部分中的中心商品，而候选搭配商品则为背景商品，由于推荐的候选搭配商品中可能出现重复购买或无库存等情况，所以还需进一步的排除候选搭配商品中的重复购买与无库存的商品；最后将剩余候选搭配商品的商品向量与用户向量进行余弦相似度计算相似度，并根据相似度进行由高到低的排序，从而进一步提升用户体验，使用户成单率增加，同时提前排除重复购买与无库存的商品能够减少计算量，在一定程度上提高运算速度。

如图2所示，本申请的实施例2，提供了一种商品搭配推荐系统，其包括：

订单信息获取模块100，用于获取店铺中所有用户的脱敏位置信息，根据用户所在位置的各季节对应的持续时间段,根据预选的季节获取各用户对应时间段的脱敏历史订单信息；

商品序列生成模块200，用于根据所有用户的脱敏历史订单信息生成商品购买序列，并将商品购买序列中的商品分为中心商品和背景商品，若中心商品为第L个商品，则背景商品为第L个商品之前的所有商品，即第1至第L-1个商品为背景商品；

函数优化模块300，用于建立购买中心商品时购买背景商品的概率模型，并通过最大化似然函数来学习模型参数，通过负采样简化取对数后的最大化似然函数得到优化后的目标函数，再引入注意力机制生成用户历史订单信息中所购买商品的向量和，将用户历史购买商品的向量和代替目标函数中商品向量的平均值，得到进一步优化模型参数的最终函数；并将用户商品购买序列信息带入优化后的模型中；

向量生成模块400，用于根据用户购买商品序列通过优化后的模型计算获得商品向量，根据商品向量的平均值获取用户向量；

商品推荐模块500，将用户实时购买的商品定义为中心商品，从模型的计算结果中获取候选搭配商品及其商品向量，并排除与用户本次购买商品同类的候选搭配商品、无库存的候选搭配商品，再采用余弦相似度计算用户向量与各剩余推荐候选搭配商品的商品向量之间的相似度；并推荐剩余候选搭配商品中相似度最高的商品。

本申请的一些可能的实施例还提供了一种商品搭配推荐装置，其包括存储器、处理器以及存储在所述存储器内由所述处理器驱动的商品推荐程序，所述商品推荐程序被处理器执行时实现如上述实施例中所述的搭配推荐方法。

本申请的一些可能的实施例还提供了一种存储介质，所述存储介质中存储有商品推荐程序，所述商品推荐程序被处理器执行时实现如上述实施例中所述的搭配推荐方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

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所述以权利要求的保护范围为准。

Claims (10)

1.一种商品搭配推荐方法，其特征在于，包括如下步骤：

离线部分：

步骤S1，获取店铺中用户一时间段内的脱敏历史订单信息；

步骤S2，根据用户的历史订单信息中商品购买的时间序列，生成用户商品购买序列信息；

步骤S3，通过使用商品向量的平均值建立购买中心商品时购买背景商品的概率模型，并获得用于优化模型的目标函数；

步骤S4，引入注意力机制，使模型将注意力集中在与中心商品更为搭配的背景商品上，计算得到商品向量；

步骤S5，将用户所购买商品的商品向量求和取平均获得各用户的用户向量；

在线部分：

步骤S6，根据用户的实时购买情况，推荐相应的候选搭配商品，通过余弦相似度计算用户向量与所述候选搭配商品向量之间的相似度，再推荐相似度最高的商品为搭配商品。

2.根据权利要求1所述的搭配推荐方法，其特征在于，所述步骤S1进一步包括如下步骤：

步骤S11，获取同一店铺中所有用户的所有脱敏历史订单信息；

步骤S12，获取用户位置信息，以及对应位置的各季节持续时间信息；

步骤S13，确定所要选取的季节，并确定用户所在地该季节所持续的时间段，获取该时间段的脱敏历史订单信息。

3.根据权利要求2所述的搭配推荐方法，其特征在于，所述步骤S2中，所述用户商品购买序列中的前

-1个商品为所述背景商品，第L个商品为所述中心商品，其中L＞1。

4.根据权利要求3所述的搭配推荐方法，其特征在于，所述步骤S3中所述获得用于优化模型的目标函数之前还包括，在训练中通过最大化似然函数来学习模型参数。

5.根据权利要求4所述的搭配推荐方法，其特征在于，通过对所述最大化似然函数取对数并开展负采样进行优化获得所述目标函数，优化后的所述目标函数中还引入噪声商品采样，从而减少噪声商品对商品推荐的影响。

6.根据权利要求5所述的搭配推荐方法，其特征在于，所述步骤S4，所述注意力机制包括采用softmax函数获取商品向量的权重值，进而将用户历史订单信息中商品的向量和相加，并使用商品的向量和代替目标函数中商品向量的平均值。

7.根据权利要求1所述的搭配推荐方法，其特征在于，所述步骤S6中的所述通过余弦相似度计算用户向量与所述候选搭配商品向量之间的相似度之前还包括，排除与用户本次购买商品同类的候选搭配商品、无库存的候选搭配商品。

8.一种商品搭配推荐系统，其特征在于,包括：

订单信息获取模块，用于获取店铺中所有用户的脱敏位置信息，根据用户所在位置的各季节对应的持续时间段,根据预选的季节获取各用户对应时间段的脱敏历史订单信息；

商品序列生成模块，用于根据所有用户的脱敏历史订单信息生成商品购买序列，并将商品购买序列中的商品分为中心商品和背景商品，若中心商品为第L个商品，则背景商品为第L个商品之前的所有商品，即第1至第L-1个商品为背景商品；

函数优化模块，用于建立购买中心商品时购买背景商品的概率模型，并通过最大化似然函数优化模型参数，通过负采样简化取对数后的最大化似然函数得到优化后的目标函数，再引入注意力机制生成用户历史订单信息中所购买商品的向量和，将用户历史购买商品的向量和代替目标函数中商品向量的平均值，得到进一步优化模型参数的最终函数；

向量生成模块，将用户购买商品序列通过优化后的模型计算获得商品向量，根据商品向量的平均值获取用户向量；

商品推荐模块，将用户实时购买的商品定义为中心商品，从模型的计算结果中获取候选搭配商品及其商品向量，并排除与用户本次购买商品同类的候选搭配商品、无库存的候选搭配商品，再采用余弦相似度计算用户向量与各剩余推荐候选搭配商品的商品向量之间的相似度；并推荐剩余候选搭配商品中相似度最高的商品。

9.一种商品搭配推荐装置，其特征在于，包括存储器、处理器以及存储在所述存储器内由所述处理器驱动的商品推荐程序，所述商品推荐程序被处理器执行时实现如权利要求1-7中任一项所述的搭配推荐方法。

10.一种存储介质，其特征在于，所述存储介质中存储有商品推荐程序，所述商品推荐程序被处理器执行时实现如权利要求1-7中任一项所述的搭配推荐方法。

Images