CN112508636A

CN112508636A - 一种护肤品推荐方法

Info

Publication number: CN112508636A
Application number: CN202011208230.9A
Authority: CN
Inventors: 冯兴东; 李晓光; 葛晔恒; 刘龙泽
Original assignee: Shanghai Hongpu Information Technology Co ltd; Shanghai university of finance and economics
Current assignee: Shanghai Hongpu Information Technology Co ltd; Shanghai university of finance and economics
Priority date: 2020-11-03
Filing date: 2020-11-03
Publication date: 2021-03-16
Anticipated expiration: 2040-11-03
Also published as: CN112508636B

Abstract

一种护肤品推荐方法，包括:查询用户的个人信息和过往购买记录，获得关于该用户肤质的信息；通过推荐模型做出针对所述用户的护肤品的搭配推荐。通过客服询问，获得关于所述用户的诉求和肤质禁忌，补全用户此次的肌肤问题诉求、过敏成分或者成分偏好、肤质测试问卷调查数据，将与此用户绑定的所有数据库数据，都输入到所述智能模型中进行护肤产品的搭配推荐，进一步给出，基于水+乳+面霜复合护肤类别的护肤方案推荐。

Description

一种护肤品推荐方法

技术领域

本发明属于互联网服务技术领域，特别涉及一种护肤品推荐方法。

背景技术

据统计，大约75％的网民在购买护肤产品之前，会在网上搜索其它用户对产品的反馈并对产品进行综合比较。面对越来越年轻的消费群体，越来越小众和细分化的需求，护肤品品牌若要打动消费者，洞察目标消费群体消费行为的内驱力变得至关重要。

另一方面，在护肤用品的选购过程中，消费者很容易误入盲区。因为缺乏相关专业知识，消费者可能使用了不合适的化妆品，往往没收到预期效果，反而对品牌产生了负面印象。因此，消费者在使用护肤品前，了解护肤品各种成分的具体功效和作用机理，了解皮肤类型对护肤品成分的需求，是使用护肤品进行科学护肤必不可少的一步。

发明内容

本发明的实施例之一，一种护肤品推荐方法，包括:

查询用户的个人信息和过往购买记录，获得关于该用户肤质的信息；

通过推荐模型做出针对所述用户的护肤品的搭配推荐。

进一步通过客服询问，获得关于所述用户的诉求和肤质禁忌，

补全用户此次的肌肤问题诉求、过敏成分或者成分偏好、肤质测试问卷调查数据，

将与此用户绑定的所有数据库数据，都输入到所述智能模型中进行护肤产品的搭配推荐，

进一步给出，基于水+乳+面霜复合护肤类别的护肤方案推荐。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1本发明实施例中护肤品知识图谱的示例图。

图2根据本发明实施例之一的护肤品推荐系统业务流程示意图。

图3根据本发明实施例之一的护肤品推荐系统算法示意图。

具体实施方式

化妆品市场非常细分，消费者对化妆品的关注点分布在化妆品成分、品牌、功能、适用场景各个方面。不同消费者类型与产品属性之间，不同产品的搭配与禁忌之间，都存在复杂的对应关系。对这些复杂关系进行建模，对大量知识进行结构化，有利于厂商研发触及市场痛点的产品与产品组合，制定精准的营销策略以及构建完整的产品生态。而在营销端，只有掌握了消费群体在信息过滤与接收、信息加工处理和做出决策等消费认知过程中的特点，品牌方才可以知其然更知其所以然，不但明了消费者为什么做出了购买/不购买决定，更可以有针对性地科学推荐，主动影响消费者的选择。

不同于其它产品，护肤品的个性化推荐中涉及到了多种类型的数据信息和关系特征，例如：从用户角度出发包括年龄、地区、消费水平、肤质类型、购买历史记录等用户画像特点，从产品角度包括成分、功效、类型、价格、生产厂家等产品属性，涉及到的关系网络包括产品之间的搭配网络(包括购买搭配和成分搭配)、用户关系网、产品和用户消费网络。并且，护肤品推荐应该结合专业护肤知识，分早中晚时间段、不同季节，进行具有时效的、综合不同类别产品的产品搭配推荐。

厂商对于商品的推荐主要基于产品内容信息、用户属性信息、用户对产品的行为信息、领域知识等，向消费者推荐潜在可能购买的产品，降低消费者的搜寻成本，提升消费者的购物体验。现有的一些推荐方法包括协同过滤推荐、基于内容的推荐和混合推荐。根据推荐方法中使用的文本、图像数据类型并结合传统推荐方法的分类，可以将当前的方法主要分为如下三类：

1.基于产品内容的搭配推荐方法。在这里，产品内容一般包括文本信息与图像信息。文本信息有标题、价格和产品类目等，图像信息可以通过深度学习技术进行处理，从而生成搭配。Mcauley与Veit等人通过图像信息为所有类别中的产品生成搭配信息，先利用卷积神经网络处理产品的图像信息，再利用图像中所反映的相似性来衡量产品间的搭配程度。范宇航提出了基于特征融合的搭配推荐，首先根据搭配图集用聚类方法构建搭配空间；然后对用户购买的产品图像提取其深度学习特征和BoF编码的SIFT特征并进行融合，再使用去噪自编码器对融合特征降维生成搭配特征；最后计算该特征所属的搭配空间类别，进而为用户提供该类别的搭配列表。基于图像搭配推荐的方法，实质上大都是以2个产品图像间视觉上的相似性来衡量2个产品的搭配程度。视觉相似并不完全等同于适合作为组合推荐，特别是对于护肤产品来说，无法从产品的图像特点上分析出不同成分之间是否会出现成分的冲突或者相互增强功效的作用。另外，处理图像所需的计算量大，且图像经常包含大量噪声。

2.基于协同过滤的搭配推荐方法。协同过滤推荐算法在现实推荐情景中取得了很大的成功，可以分为三类，分别是：基于用户的协同过滤算法、基于项目的协同过滤算法和基于模型的协同过滤算法。

前两者统称为基于记忆的协同过滤技术，它们共同的缺点是无法应对大数据量以及其所产生的数据稀疏性问题。

基于模型的方法通过使用评分去学习预测模型进而预测新项。在这个过程中，通过机器学习算法学习出数据中用户和项的相互作用模式。基于模型的算法由于快速、准确，适用于实时性比较高的业务如新闻、广告等，而若是需要这种算法达到更好的效果，则需要人工干预反复的进行属性的组合和筛选，也就是常说的Feature Engineering。

当把协同过滤思想引入到搭配推荐领域，则提出了多种基于协同过滤的搭配推荐算法。从技术使用上将协同过滤搭配推荐分为基于二部图的协同过滤搭配推荐和基于二元关系的协同过滤搭配推荐两类。基于协同过滤的搭推荐主要基于用户与商品的交互数据进行推荐，因此向用户推荐的结果更具多样性，从而挖掘用户潜在的兴趣爱好。

3.混合搭配推荐方法。搭配推荐算法具有一定局限性据此，研究者们提出了混合搭配推荐方法，将多种搭配推荐算法进行优化组合，从而进行搭配推荐。姚静天从商品搭配性考量的角度提出了基于排序学习的混合搭配推荐算法。张智勃也利用商品的文本信息和用户行为信息，提出了基于内容及行为过滤的混合搭配推荐算法。混合搭配推荐方法大都包括融合过滤过程，这一过程是为了应对大数据量的情况，用来缩小排序学习的计算范围，减少后算法数据量，提高算法整体运行效率。

现有方法仍存在一些局限性，例如，(1)长尾问题；(2)推荐的实时性低；(3)多源异构数据的融合还没有很好地解决。考虑到对于海量数据的充分利用和挖掘，市场亟待需要开发出综合考虑专业护肤知识图谱、产品特点及热度、用户画像等异构数据的个性化推荐系统。催生出了一些新的技术热点，其中主要包含如下几个方面。

现有的对商品搭配推荐方法的研究大多聚焦于2个商品的搭配推荐，而对更具挑战性的多个商品的搭配推荐方法的研究还相对较少。

随着互联网应用的不断发展，用户生成了各种结构类型的数据，每个用户都有自己独特的审美和生活习惯，所以将各种类型的数据都融合到面向用户的商品搭配推荐技术中，将会实现根据用户各自的需求和习惯推荐不同的搭配方案，从而进一步提高商品搭配的用户体验。因此，如何设计一套有效的算法来统一处理多源异构数据，是未来的发展趋势。

关于知识图谱，知识图谱本质上是一种大规模语义网络，是一种基于图的数据结构，由节点和边组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络。知识图谱一般用三元组形式表示内涵知识，每个三元组包括一个头实体(h)、一个尾实体(t)以及它们之间的关系(r)，这是知识图谱的基本表示形式。知识图谱提供了从“关系”的角度去分析问题的能力，是关系表示最有效的方式之一。具体的，在化妆品知识图谱中，实体可以是：产品、用户、成分、厂商等。而不同实体间的“关系”可以有多种定义：(产品，包含，成分)，(成分A，禁忌，成分B)，(品牌，属于，厂商)，等等。

图1是一个简单的护肤品知识图谱的示例。知识图谱来源80％以上都是来源于专业的团队给出的护肤领域的专业知识，剩下的部分就是从产品评价、博主推荐、社区讨论、图像数据、购买记录等数据中通过深度学习、机器学习等手段挖掘出来的。

比如，护肤品A，与D由于具有共同的有效成分产生了关联，与C由于具有相同的气味维度评价产生了关联，再加上成分及功效之间对应关系的辅助，就可以有针对性地扩充了推荐产品的范围。A和B在商品评价中，出现了绑定使用效果更好的文本信息，就可以基于成分的禁忌搭配筛选后决定是否可以进行组合推荐。B和C则经常被博主同时推荐，当下新媒体是促进销售量提升的主要渠道，同时美妆博主本身的专业度可以为二者之间的搭配使用效果分析提供很有意义的帮助，这些都可以成为产品实体的附加信息。通过护肤品实体自身具有的属性以及通过语义关联等方式得到的特点作为依据，从底层知识上找关联，进行适当的推理后，可以链接到其它护肤品去，再加上本身一些产品就具有上下文关系，形成了护肤品知识图谱。这个知识图谱具有以下几个特点：

1、科学性：综合了各个维度的特征，基于产品本身的化学特质、市场特征找到了相关联的护肤品，特别符合当下护肤群体的诉求；

2、多样性：可以基于不同的特点做扩展，从而找到不同的连接主体；

3、可解释性：通过知识图谱，可以结合客户的查询意图，给出更详细的专业解答，增加用户粘性，提高用户的信任度；同时在这个查询应用的过程中，不断完善知识图谱。

如何通过现有的结构化与非结构化数据构建知识图谱，如何利用知识图谱挖掘有利于推荐的信息，是目前知识图谱领域领域的两大热点。化妆品行业知识具有很强的结构性，且化妆品生产商有专门的由生物、化学领域的专业学者组成的研发机构，知识图谱的构建可以通过专家团队来完成。

现有的利用知识图谱的推荐算法主要有基于路径的方法、基于嵌入的方法和基于传播的方法。Hu等人通过显式合并基于元路径的上下文设计了一种三向神经交互模型MCRec，使用基于优先级的采样技术选择突出的路径实例，但该方法定义有效的元路径需要领域知识，对于大规模的知识图谱来说是不实际的。基于嵌入的方法通过知识图谱嵌入算法预处理知识图谱，然后将学习的实体嵌入到推荐任务中。吴玺煜等人使用知识图谱表示学习将语义数据嵌入到低维空间中，通过计算项目之间的语义相似性将项目自身的语义信息融入协同过滤推荐。但这种方法中的用户和项目之间的联系是通过隐式的方式进行建模的，没有充分探索用户的潜在偏好。

根据一个或者多个实施例，如图2所示是结合护肤行业产品推荐业务场景梳理出的流程图。针对每位用户，由系统查询是否存在历史购买或者个人存档信息，并根据不同情况，补全客户此次的肌肤问题诉求、有无过敏成分或者成分偏好、肤质测试问卷调查等数据，将与此用户ID绑定的所有数据库数据，都输入到智能模型中进行护肤产品的搭配推荐，进而给出基于水+乳+面霜等复合护肤类别的全套护肤方案推荐，护肤方案中会包括，各类别产品下不同产品与用户的匹配得分、功效成分、使用方法及用量、不同平台产品的链接及比价信息等。

需要的是这样一个智能推荐系统，在用户熟悉的场景下全面理解用户提出的需求；在用户自身不清楚场景下，自然地协助用户挖掘需求；获得需求后帮助用户做决策，并最终呈现结果。在用户自己比较了解的场景中，当用户提出的大多数简单的需求上逐渐开始细化，当其提不出完整需求的时候，根据其意图，结合先前已给过的条件，甚至结合已有的参数自动补全，通过对话交互，向用户提出问题，获得答案来补全剩下所需的条件，最终完成服务；在用户自己不熟悉的场景中，用户根本就不知道自己该提出哪些方面的需求，比如一个不懂护肤产品的用户，想买一个面霜，她很难提出除了价格以外的需求，比如功效、成分、肤质适用度等等需以恰当的方式来提问，引导用户给出偏好，并且在对话中适当地提出推荐。

本实施例在推荐模型算法层面由三部分组成：

(1)基于历史的购买信息与评分信息构建深度协同过滤模型。这一模型是基于历史数据的，分别学习得到消费者与产品的表示向量。

(2)使用知识图谱得到知识图谱中各个实体：消费者，成分，功效，产品，与各个关系：含有，禁忌，需求等等的表示向量。

(3)在得到在两个不同空间中的消费者与产品的表示后，我们部署一个嵌入层，同时考虑在知识图谱与协同过滤模型中，不同的消费者与产品之间的距离，输出新的表示向量，同时根据表示向量计算消费者偏好的成分，功效，产品等信息。

相对于直接在知识图谱中构建消费者与产品的购买记录，这一方法在融合了消费者的历史数据的同时，避免了将消费者购买记录加入到知识图谱中，降低了知识体系的更新频率，保证了用户的隐私。

在知识图谱构建中，可以定义存在多种主体：消费者，成分，品牌，功效，适用年龄，其中，不将消费者购买记录并入知识图谱。护肤品知识图谱包含了先验的各个主体间的关系，这些关系是研发商通过生物化学知识构建的，同时也与产品的市场定位等先验信息有关，主要的护肤品知识图谱应当包含如下的主体：用户、成分、品牌、功效、适用年龄，知识图谱中包含的关系有(产品，目标，用户类型)，(产品，包含，成分)，(产品，包含功效，功效)，(产品，适用，适用年龄)，(成分，具有功效，功效)等等。用户购买记录可以整合成一个N*P的矩阵，其中N为用户数，P为产品数，可以构成一个购买矩阵。有购买记录为1，无购买记录为0。

基于历史的购买信息与评分信息构建深度协同过滤模型，该模型基于历史数据，分别通过学习得到用户与产品的表示向量；协同过滤模型中生成的用户与产品的表示向量，不同用户的表示向量之间的内积，反映了不同用户在购买记录之间的“相似性”，不同产品的表示向量之间的内积，反映了不同产品在被购买上的共现性(co-occurence)。传统的推荐模型中，通过表示向量的计算，来寻找(1)与目标用户相似的用户购买过的产品(2)与目标用户购买的产品有较高共现性的产品。传统模型将这两类产品定义为用户可能感兴趣的产品，并进行推荐。但是这一部分模型存在一定局限性，最核心的问题是冷启动问题：也即，对于新进入市场的产品和新进入市场的用户，我们难以获得其历史数据，因此难以进行建模。其次，这一方法完全依赖于数据，但是在电商数据中存在长尾现象(大部分的销售量集中在少数产品上同时绝大部分的产品具有非常小的销售量)和数据稀疏性(相比于海量的产品种类，大部分用户只购买过极少数的产品)，因此学习效果比较局限。

知识图谱通过对产品属性的相似与关联进行分析，建模了包括：目标用户、成分、功效、产品、禁忌、需求各实体相互间的多种关系；知识图谱表示学习对知识图谱中实体和关系进行语义表示学习，通过将富有语义信息的知识图谱三元组嵌进n维语义空间并生成对应向量，从而实现了知识图谱的数值化。比如可以通过(某化妆品，有功效，保湿)和(某化妆品，包含成分，水杨酸)大量的这样的三元组关系，通过TransR方法学习得到产品，成分与功效以及其他实体的表示向量。从知识图谱中抽取的表示向量中隐含了更多的先验知识信息，例如成分与功效的关系，这些关系是难以从历史数据中获得的。

在TransR模型中，对每一个关系r，构造一个关系映射矩阵M_r，对于关系 r，关于实体的表示为：

h_r＝hM_r，t_r＝tM_r

如果希望具有这一关系r的实体h和t在对应M_r的向量空间中有较近的距离，也即较小的

同时不具有这一关系的实体之间距离较大。自然的，选择的最小化目标函数为：

L＝∑_{(h，r，t)∈S}∑_{(h*，r，t*)∈S*}，max(0，f_r(h，t)+γ-f_r(h*，t*))

其中，S是所有的现有关系的集合，S*是人为构造的虚假关系的集合，比如，某一产品A不具有某一功效b，那么(A，具有功效，b)就是S*中的一个元素。

在得到以上两个模块中的用户与产品的表示向量后，首先在所述推荐模型中部署一个卷积层，联合以上两个模块中的用户与产品的表示向量，输出新的统一的对用户与产品的表示向量，同时根据表示向量计算消费者偏好的成分、功效、产品信息。

基于知识图谱对化妆品(护肤品)进行个性化推荐的实现方案，由于知识图谱的构建，将直接提高个性化推荐的准确度，为消费者提供更合适优质的产品推荐，提升消费者的品牌忠诚度。

根据一个或者多个实施例，优选的，基于知识图谱的推荐系统可分为三步，为了更好的确定稠密向量的维度，达到更好的嵌入效果，使用随机游走方法初始化形成实体的向量表示，再使用TransR方法来学习实体，关系的向量表示和映射矩阵。

Step 1:将图嵌入到连续低维空间。知识图谱将语义关系以图的形式进行存储，图是一种非欧氏空间中的结构，在具体使用中需要将非连续的图中的实体与关系嵌入(Embed)到欧式空间中的有限维向量中。DeepWalk是一种表现稳健的基于随机游走的图表示方法，在这一方法中，对图中的每一个实体，通过执行M次长度有限的随机游走，使用这N*M次随机游走的路径向量来作为图对象的一个原始表示，通过word2vec来学习得到实体的低维稠密表示。不同于传统的基于随机游走的DeepWalk。在实践中，应用 partialabsorbrandomwalkmechanism(wu,et.al 2015)来生成更加高效的随机游走路径。

Step 2：关系学习。以Step 1的嵌入作为输入input，通过TransR模型，学习得到实体向量，关系向量与对应各类关系的映射矩阵projectionmatrix。

Step 3:根据实际业务设计多任务模型。计算消费者最合适的产品，最急需的成分，禁忌的成分等。

全模型示意图见图3。

本发明的有益效果之一包括：

利用知识体系信息，完成了组合推荐与成分推荐，给出系统性的化妆品推荐建议；

使用第二次表示学习来结合知识图谱与历史信息，相对于直接在知识图谱中构建消费者与产品的购买记录，这一方法在融合了消费者的历史数据的同时，避免了将消费者购买记录加入到知识图谱中，降低了知识体系的更新频率，保证了用户的隐私。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims

1.一种护肤品推荐方法，其特征在于，包括:

通过推荐模型做出针对所述用户的护肤品的搭配推荐。

2.根据权利要求1所述的护肤品推荐方法，其特征在于，

通过客服询问，获得关于所述用户的诉求和肤质禁忌，

3.根据权利要求2所述的护肤品推荐方法，其特征在于，所述的护肤方案推荐中包括，各类别不同产品与用户的匹配得分、功效成分、使用方法及用量、不同平台产品的链接及比价信息。

4.根据权利要求2所述的护肤品推荐方法，其特征在于，所述推荐模型包括，

基于历史的购买信息与评分信息构建深度协同过滤模型，该模型基于历史数据，分别通过学习得到用户与产品的表示向量；

使用知识图谱得到位于护肤品知识图谱中各个实体，包括：用户、成分、功效、产品、禁忌、需求的表示向量以及各实体相互间的关系；

在得到用户与产品的表示向量后，在所述推荐模型中部署一个嵌入层，同时考虑在知识图谱与协同过滤模型中，不同的消费者与产品之间的距离，输出新的表示向量，同时根据表示向量计算消费者偏好的成分、功效、产品信息。

5.根据权利要求4所述的护肤品推荐方法，其特征在于，在护肤品知识图谱构建中，主体包括：用户、成分、品牌、功效、适用年龄。

6.根据权利要求5所述的护肤品推荐方法，其特征在于，所述推荐模型中知识图谱的嵌入方法包括：

S101，将图嵌入到连续低维空间；

S102，对知识图谱的实体关系进行学习；

S103，根据实际业务设计多任务模型。

7.根据权利要求6所述的护肤品推荐方法，其特征在于，所述S101，将知识图谱嵌入到连续低维空间步骤包括，

知识图谱将语义关系以图的形式进行存储，将非连续的图中的实体与关系嵌入到欧式空间中的有限维向量中；

采用DeepWalk基于随机游走的图表示方法，对图中的每一个实体，通过执行M次长度有限的随机游走，使用这N*M次随机游走的路径向量来作为图对象的一个原始表示，通过word2vec来学习得到实体的低维稠密表示。

8.根据权利要求7所述的护肤品推荐方法，其特征在于，所述S101，将知识图谱嵌入到连续低维空间，

知识图谱将语义关系的三元组(h,r,t)以图的形式进行存储，将非连续的图中的实体与关系嵌入到欧式空间中的高维向量中，并将这个向量作为输入进入S102。

9.根据权利要求6所述的护肤品推荐方法，其特征在于，所述S102，对知识图谱的实体关系进行学习步骤包括，以S101中的DeepWalk得到的向量作为输入，通过TransR模型，学习得到实体向量、关系向量与对应各类关系的映射矩阵。

10.根据权利要求6所述的护肤品推荐方法，其特征在于，所述S103，根据实际业务设计多任务模型步骤包括，计算用户最合适的产品、最急需的成分和禁忌成分。

11.根据权利要求7所述的护肤品推荐方法，其特征在于，采用partialabsorbrandomwalkmechanism(wu,et.al 2015)来生成更加高效的随机游走路径。