CN114022233A - 一种新型的商品推荐方法 - Google Patents

一种新型的商品推荐方法 Download PDF

Info

Publication number
CN114022233A
CN114022233A CN202111134517.6A CN202111134517A CN114022233A CN 114022233 A CN114022233 A CN 114022233A CN 202111134517 A CN202111134517 A CN 202111134517A CN 114022233 A CN114022233 A CN 114022233A
Authority
CN
China
Prior art keywords
commodity
user
interaction
attribute
similarity
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.)
Pending
Application number
CN202111134517.6A
Other languages
English (en)
Inventor
刘鹏
张真
高中强
张堃
唐甜甜
严乐乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Innovative Data Technologies Inc
Original Assignee
Nanjing Innovative Data Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Innovative Data Technologies Inc filed Critical Nanjing Innovative Data Technologies Inc
Priority to CN202111134517.6A priority Critical patent/CN114022233A/zh
Publication of CN114022233A publication Critical patent/CN114022233A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种新型的商品推荐方法，包括步骤：获取“用户‑商品”交互信息和商品属性信息；对获取的信息进行预处理；根据预处理后的“用户‑商品”交互信息构建用户商品交互图，提取用户和商品间的交互关系；根据预处理后的商品属性信息构建商品属性知识图谱；计算商品交互相似度；将商品属性知识图谱中的商品属性向量化；根据商品属性量化值计算商品属性间的商品属性语义相似度；根据商品属性语义相似度和商品交互相似度计算所有商品的商品融合相似度；根据商品融合相似度，通过共同注意力机制计算用户对候选商品的注意力分值并将注意力分值降序排列，然后由神经网络进行聚类以获取商品推荐结果。本发明可有效提高商品推荐的准确性。

Description

一种新型的商品推荐方法
技术领域
本发明属于推荐系统技术领域，具体涉及一种新型的商品推荐方法。
背景技术
随着信息时代的发展，大部分网站都面临着信息过载和信息迷航问题，因此推荐系统应运而生。推荐系统是自然语言处理(Natural Language Processing，NLP)方法常见的应用，在现实生活中已经得到很多实践。推荐系统的快速发展使得它在搜索引擎、电子商务、社交媒体网站和新闻门户等网络应用中非常流行，几乎每个面向用户提供内容的服务都配备了推荐系统。推荐系统在各个互联网平台上扮演着重要的角色，通过推荐系统，用户可以更高效快速地找到自己感兴趣或者存在潜在兴趣的商品或信息。推荐系统能够根据用户的历史行为信息，分析用户的偏好取向以及潜在兴趣，可以处理互联网时代由于海量信息数据导致的信息过载问题，以此增强用户体验。但是传统的推荐系统仍然存在一系列问题，比如推荐准确率不高、推荐不具有解释性、数据稀疏问题和冷启动问题等。
针对传统推荐系统的问题，一些专家提出可以加入辅助信息来有效缓解数据稀疏和冷启动等问题，其中知识图谱就是一种典型的辅助信息。知识图谱(Knowledge Graphs，KGs)包含了丰富的语义异构信息并在可解释推荐系统领域得到了广泛的应用。一方面，知识图谱中多样的、数量庞大的实体本身丰富了用户的潜在兴趣的选择，有助于推荐系统给用户提供准确的建议，帮助其用户高效地做出商品购买决策。另一方面，知识图谱是一种语义信息网，主要由物理世界的实体及其关系组成，且以三元组的形式呈现，如(头实体、关系、尾实体)或者(实体、属性、属性值)，该语义网蕴含了推荐系统中的商品的大量背景信息和商品之间的关系，这些关系可以作为用户最终选择商品的具体原因，进而赋予了推荐系统较好的解释能力。针对传统推荐算法无法学习到用户或项目的深层次特征，深度学习具备良好的优势，深度学习擅长于多源异构挖掘和学习，通过与推荐系统结合，可以更加高效地学习用户和项目之间的隐藏特征。
发明内容
为提高电商领域商品推荐的准确率，本发明提供一种新型的商品推荐方法，采用以下技术方案：
一种新型的商品推荐方法，包括以下步骤：
步骤1：获取“用户-商品”交互信息和商品属性信息；
步骤2：对获取的“用户-商品”交互信息和商品属性信息进行预处理；
步骤3：根据预处理后的“用户-商品”交互信息构建用户商品交互图，提取用户和商品间的交互关系；
步骤4：根据预处理后的商品属性信息构建商品属性知识图谱；
步骤5：计算“用户-商品”交互信息中商品间的商品交互相似度；
步骤6：将商品属性知识图谱中的商品属性向量化，得到每个商品的商品属性量化值；
步骤7：根据商品属性量化值计算商品属性间的商品属性语义相似度；
步骤8：根据商品属性语义相似度和商品交互相似度计算所有商品的商品融合相似度；
步骤9：根据商品融合相似度，通过共同注意力机制计算用户对候选商品的注意力分值并将注意力分值降序排列，然后由神经网络进行聚类以获取商品推荐结果。
进一步地，步骤1中，利用爬虫技术爬取相应电商平台上的“用户-商品”交互信息和商品属性信息，所述“用户-商品”交互信息包括用户对商品的评价、商品访问记录、商品搜素信息和商品收藏信息，所述商品属性信息包括商品价格和商品类型。
进一步地，步骤2中，首先对获取的“用户-商品”交互信息和商品属性信息进行筛选，删除其中的残缺信息，然后对筛选后的“用户-商品”交互信息和商品属性信息进行VAE变分自动编码，最后通过分布变换，得到向量形式的“用户-商品”交互信息和商品属性信息。
进一步地，步骤4中，首先将预处理后的商品属性信息转化为可处理的结构化数据，然后通过对齐、建边的方式得到知识库，最后对知识库进行关系挖掘和实体链接以得到商品属性知识图谱。
进一步地，步骤5中，首先根据“用户-商品”交互信息提取任意两种商品的商品交互向量，并组建交互数据集合；然后根据商品交互向量，利用TF-IDF算法计算交互数据集合中任意两种商品的商品交互相似度。
进一步地，步骤6具体包括步骤：
S6.1、将商品属性知识图谱中的头实体节点、尾实体节点、头实体节点与尾实体节点间的关系抽取为正例三元组；
S6.2、基于负采样算法生成正例三元组的负例三元组；
S6.3、根据正例三元组和负例三元组训练得到每个商品的商品属性量化值。
进一步地，在步骤S6.2中：
对于关系vr对应的所有正例三元组，统计所有正例三元组中每种头实体节点对应的尾实体节点的数量，并根据该数量计算所涉及到的每个头实体节点的尾平均值；
统计所有正例三元组中每种尾实体节点对应的头实体节点的数量，并根据该数量计算所涉及到的每个尾实体节点的头平均值；根据尾平均值和头平均值计算概率P，P＝尾平均值/(尾平均值+头平均值)；
从所有具有关系vr的正例三元组中以概率P选取一个与当前正例三元组不同的头实体节点替换当前正例三元组中的头实体节点，生成负例三元组；
从所有具有关系vr的正例三元组中以概率1-P选取一个与当前正例三元组不同的尾实体节点替换当前正例三元组中的尾实体节点，生成负例三元组。
进一步地，步骤7具体包括：
S7.1、选取任意两种商品的商品属性量化值，商品i的商品属性量化值di可表示为di＝(E1i,E2i,E3i,...,Eei)T，元素Eei表示商品属性量化值di中第e个值；
S7.2、计算任意两种商品的商品属性语义相似度并做归一化处理，商品i与商品j的商品属性语义相似度U(i,j)中第k个值PMI(Eki,Ekj)的计算公式为：
Figure BDA0003281538110000031
式中P(Eki)、P(Ekj)、P(Eki&Ekj)分别表示商品i商品属性量化值中第k个值Eki的相似度、商品j商品属性量化值中第k个值Ekj的相似度、Eki与Ekj的相似度；对U(i,j)进行归一化得到归一化后的商品属性语义相似度simkig(i,j)，归一化计算公式为：
Figure BDA0003281538110000032
进一步地，步骤8中，商品i与商品j的商品融合相似度sim(i,j)的计算公式为sim(i,j)＝asimkig(i,j)+βsimubv(i,j)，simubv(i,j)表示商品i与商品j的商品交互相似度，a、β为融合因子且α+β＝1。
进一步地，步骤9具体包括：
S9.1、将商品融合相似度输入含有记忆组件的注意力机制，获取对商品的注意力分数；
S9.2、将注意力分数经softmax函数进行归一化处理，得到每个商品对应的注意力权重；
S9.3、将注意力权重降序排列，得到商品的重要性排序；
S9.4、获取最终的用户u对于候选商品i的结合记忆组件的注意力分值
Figure BDA0003281538110000041
Figure BDA0003281538110000042
其中，R(u)表示的是用户u的历史交互商品项目集，
Figure BDA0003281538110000043
是记忆成分，表示给定用户u的内存组件，且随着时间的推移，商品项目集R(u)将会随着时间不断更新，score(u,i)是用户u对于经过注意力机制的商品i的注意力分数；
S9.5、将用户对于商品的归一化后的注意力分值降序排列，将商品的表示向量、用户的表示向量、降序排列的注意力分值与商品的重要性排序输入到图卷积网络进行聚类，获取一个或多个商品推荐结果。
本发明首先通过VAE变分自动编码及分布变换对获取的“用户-商品”交互信息和商品属性信息进行预处理，然后分别构建用户商品交互图和商品属性知识图谱，获取商品属性语义相似度和商品交互相似度并通过融合公式计算所有商品的融合相似度，最后通过共同注意力机制计算出用户对于候选商品的注意力分值，由图卷积神经网络进行聚类获取一个或多个商品推荐结果。通过本发明，可有效提高商品推荐的准确性。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示，本发明主要包括以下步骤：
(1)获取“用户-商品”交互信息和商品属性信息。
利用爬虫技术爬取相应电商平台上的“用户-商品”交互信息和商品属性信息，“用户-商品”交互信息主要包括：用户对于商品的喜好程度和用户对商品的评价、访问记录、搜索信息、收藏信息等；商品属性信息主要包括：商品价格、商品类型、商品价值等。
(2)对获取的“用户-商品”交互信息和商品属性信息进行预处理。
获取相关数据后，在进行交互图和知识图谱构造之前，为了提高推荐的精准性，需要对数据进行简单的预处理。首先对获取的“用户-商品”交互信息和商品属性信息进行筛选，删除其中的残缺信息，然后对筛选后的“用户-商品”交互信息和商品属性信息进行VAE变分自动编码，最后通过分布变换，得到向量形式的“用户-商品”交互信息和商品属性信息
(3)根据预处理后的“用户-商品”交互信息构建用户商品交互图，提取用户和商品间的交互关系。交互关系是向量形式，用户商品交互关系具体指不同用户购买过哪些商品，同一用户购买过哪些不同的商品，同一商品被哪些用户购买过，即产生不同的交互关系。
(4)根据预处理后的商品属性信息构建商品属性知识图谱。首先将预处理后的商品属性信息转化为可处理的结构化数据，然后通过对齐、建边的方式得到知识库，最后对知识库进行关系挖掘和实体链接以得到商品属性知识图谱。
(5)计算“用户-商品”交互信息中商品间的商品交互相似度。首先根据“用户-商品”交互信息提取任意两种商品的商品交互向量，并组建交互数据集合；然后根据商品交互向量，利用TF-IDF算法计算交互数据集合中任意两种商品的商品交互相似度，商品交互相似度通过词频(TF)和逆向频率(IDF)体现，TF的计算公式为：
Figure BDA0003281538110000051
式中TF为词频，表示某商品在某用户所有交互商品中出现的频率，假设该用户的交互商品共有m种，Ni为某商品的出现次数，Nk为第k种商品的出现次数。
IDF的计算公式为：
Figure BDA0003281538110000052
式中IDF为逆向频率，表示某商品与用户产生交互的频率，假设共有n个用户，Nj表示某用户的交互商品个数，Nd表示与该商品产生交互的用户个数。
(6)将商品属性知识图谱中的商品属性向量化，得到每个商品的商品属性量化值。具体包括以下步骤：
S6.1、将商品属性知识图谱中的头实体节点、尾实体节点、头实体节点与尾实体节点间的关系抽取为正例三元组；
S6.2、基于负采样算法生成正例三元组的负例三元组；
S6.3、根据正例三元组和负例三元组训练得到每个商品的商品属性量化值。
在步骤S6.2中，对于关系vr对应的所有正例三元组，统计所有正例三元组中每种头实体节点对应的尾实体节点的数量，并根据该数量计算所涉及到的每个头实体节点的尾平均值；
统计所有正例三元组中每种尾实体节点对应的头实体节点的数量，并根据该数量计算所涉及到的每个尾实体节点的头平均值；根据尾平均值和头平均值计算概率P，P＝尾平均值/(尾平均值+头平均值)；
从所有具有关系vr的正例三元组中以概率P选取一个与当前正例三元组不同的头实体节点替换当前正例三元组中的头实体节点，生成负例三元组；
从所有具有关系vr的正例三元组中以概率1-P选取一个与当前正例三元组不同的尾实体节点替换当前正例三元组中的尾实体节点，生成负例三元组。
(7)根据商品属性量化值计算商品属性间的商品属性语义相似度，具体包括以下步骤：
S7.1、选取任意两种商品的商品属性量化值，商品i的商品属性量化值di可表示为di＝(E1i,E2i,E3i,...,Eei)T，元素Eei表示商品属性量化值di中第e个值；
S7.2、计算任意两种商品的商品属性语义相似度并做归一化处理，商品i与商品j的商品属性语义相似度U(i,j)中第k个值PMI(Eki,Ekj)的计算公式为：
Figure BDA0003281538110000061
式中P(Eki)、P(Ekj)、P(Eki&Ekj)分别表示商品i商品属性量化值中第k个值Eki的相似度、商品j商品属性量化值中第k个值Ekj的相似度、Eki与Ekj的相似度；对U(i,j)进行归一化得到归一化后的商品属性语义相似度simkig(i,j)，归一化计算公式为：
Figure BDA0003281538110000062
(8)根据商品属性语义相似度和商品交互相似度计算所有商品的商品融合相似度。商品i与商品j的商品融合相似度sim(i,j)的计算公式为sim(i,j)＝asimkig(i,j)+βsimubv(i,j)，simubv(i,j)表示商品i与商品j的商品交互相似度，a、β为融合因子且α+β＝1，一般均取值为0.5。
(9)根据商品融合相似度，通过共同注意力机制计算用户对候选商品的注意力分值并将注意力分值降序排列，然后由神经网络进行聚类以获取商品推荐结果。具体包括以下步骤：
S9.1、将商品融合相似度输入含有记忆组件的注意力机制，获取对商品的注意力分数；
S9.2、将注意力分数经softmax函数进行归一化处理，得到每个商品对应的注意力权重；
S9.3、将注意力权重降序排列，得到商品的重要性排序；
S9.4、获取最终的用户u对于候选商品i的结合记忆组件的注意力分值
Figure BDA0003281538110000071
Figure BDA0003281538110000072
其中，R(u)表示的是用户u的历史交互商品项目集，
Figure BDA0003281538110000073
是记忆成分，表示给定用户u的内存组件，且随着时间的推移，商品项目集R(u)将会随着时间不断更新，score(u,i)是用户u对于经过注意力机制的商品i的注意力分数；
S9.5、将用户对于商品的归一化后的注意力分值降序排列，将商品的表示向量、用户的表示向量、降序排列的注意力分值与商品的重要性排序输入到图卷积网络进行聚类，获取一个或多个商品推荐结果，一个输出或多个输出可以在网络中设置对应的参数。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种新型的商品推荐方法，其特征在于，包括以下步骤：
步骤1：获取“用户-商品”交互信息和商品属性信息；
步骤2：对获取的“用户-商品”交互信息和商品属性信息进行预处理；
步骤3：根据预处理后的“用户-商品”交互信息构建用户商品交互图，提取用户和商品间的交互关系；
步骤4：根据预处理后的商品属性信息构建商品属性知识图谱；
步骤5：计算“用户-商品”交互信息中商品间的商品交互相似度；
步骤6：将商品属性知识图谱中的商品属性向量化，得到每个商品的商品属性量化值；
步骤7：根据商品属性量化值计算商品属性间的商品属性语义相似度；
步骤8：根据商品属性语义相似度和商品交互相似度计算所有商品的商品融合相似度；
步骤9：根据商品融合相似度，通过共同注意力机制计算用户对候选商品的注意力分值并将注意力分值降序排列，然后由神经网络进行聚类以获取商品推荐结果。
2.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤1中，利用爬虫技术爬取相应电商平台上的“用户-商品”交互信息和商品属性信息，所述“用户-商品”交互信息包括用户对商品的评价、商品访问记录、商品搜素信息和商品收藏信息，所述商品属性信息包括商品价格和商品类型。
3.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤2中，首先对获取的“用户-商品”交互信息和商品属性信息进行筛选，删除其中的残缺信息，然后对筛选后的“用户-商品”交互信息和商品属性信息进行VAE变分自动编码，最后通过分布变换，得到向量形式的“用户-商品”交互信息和商品属性信息。
4.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤4中，首先将预处理后的商品属性信息转化为可处理的结构化数据，然后通过对齐、建边的方式得到知识库，最后对知识库进行关系挖掘和实体链接以得到商品属性知识图谱。
5.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤5中，首先根据“用户-商品”交互信息提取任意两种商品的商品交互向量，并组建交互数据集合；然后根据商品交互向量，利用TF-IDF算法计算交互数据集合中任意两种商品的商品交互相似度。
6.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤6具体包括步骤：
S6.1、将商品属性知识图谱中的头实体节点、尾实体节点、头实体节点与尾实体节点间的关系抽取为正例三元组；
S6.2、基于负采样算法生成正例三元组的负例三元组；
S6.3、根据正例三元组和负例三元组训练得到每个商品的商品属性量化值。
7.如权利要求6所述的一种新型的商品推荐方法，其特征在于，在步骤S6.2中：
对于关系vr对应的所有正例三元组，统计所有正例三元组中每种头实体节点对应的尾实体节点的数量，并根据该数量计算所涉及到的每个头实体节点的尾平均值；
统计所有正例三元组中每种尾实体节点对应的头实体节点的数量，并根据该数量计算所涉及到的每个尾实体节点的头平均值；根据尾平均值和头平均值计算概率P，P＝尾平均值/(尾平均值+头平均值)；
从所有具有关系vr的正例三元组中以概率P选取一个与当前正例三元组不同的头实体节点替换当前正例三元组中的头实体节点，生成负例三元组；
从所有具有关系vr的正例三元组中以概率1-P选取一个与当前正例三元组不同的尾实体节点替换当前正例三元组中的尾实体节点，生成负例三元组。
8.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤7具体包括：
S7.1、选取任意两种商品的商品属性量化值，商品i的商品属性量化值di可表示为di＝(E1i,E2i,E3i,...,Eei)T，元素Eei表示商品属性量化值di中第e个值；
S7.2、计算任意两种商品的商品属性语义相似度并做归一化处理，商品i与商品j的商品属性语义相似度U(i,j)中第k个值PMI(Eki,Ekj)的计算公式为：
Figure FDA0003281538100000021
式中P(Eki)、P(Ekj)、P(Eki&Ekj)分别表示商品i商品属性量化值中第k个值Eki的相似度、商品j商品属性量化值中第k个值Ekj的相似度、Eki与Ekj的相似度；对U(i,j)进行归一化得到归一化后的商品属性语义相似度simkig(i,j)，归一化计算公式为：
Figure FDA0003281538100000022
9.如权利要求8所述的一种新型的商品推荐方法，其特征在于，步骤8中，商品i与商品j的商品融合相似度sim(i,j)的计算公式为sim(i,j)＝asimkig(i,j)+βsimubv(i,j)，simubv(i,j)表示商品i与商品j的商品交互相似度，a、β为融合因子且α+β＝1。
10.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤9具体包括：
S9.1、将商品融合相似度输入含有记忆组件的注意力机制，获取对商品的注意力分数；
S9.2、将注意力分数经softmax函数进行归一化处理，得到每个商品对应的注意力权重；
S9.3、将注意力权重降序排列，得到商品的重要性排序；
S9.4、获取最终的用户u对于候选商品i的结合记忆组件的注意力分值
Figure FDA0003281538100000031
Figure FDA0003281538100000032
其中，R(u)表示的是用户u的历史交互商品项目集，
Figure FDA0003281538100000033
是记忆成分，表示给定用户u的内存组件，且随着时间的推移，商品项目集R(u)将会随着时间不断更新，score(u,i)是用户u对于经过注意力机制的商品i的注意力分数；
S9.5、将用户对于商品的归一化后的注意力分值降序排列，将商品的表示向量、用户的表示向量、降序排列的注意力分值与商品的重要性排序输入到图卷积网络进行聚类，获取一个或多个商品推荐结果。
CN202111134517.6A 2021-09-27 2021-09-27 一种新型的商品推荐方法 Pending CN114022233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111134517.6A CN114022233A (zh) 2021-09-27 2021-09-27 一种新型的商品推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111134517.6A CN114022233A (zh) 2021-09-27 2021-09-27 一种新型的商品推荐方法

Publications (1)

Publication Number Publication Date
CN114022233A true CN114022233A (zh) 2022-02-08

Family

ID=80055013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111134517.6A Pending CN114022233A (zh) 2021-09-27 2021-09-27 一种新型的商品推荐方法

Country Status (1)

Country Link
CN (1) CN114022233A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757723A (zh) * 2022-06-13 2022-07-15 山东国赢大数据产业有限公司 用于资源要素交易平台的数据分析模型构建系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757723A (zh) * 2022-06-13 2022-07-15 山东国赢大数据产业有限公司 用于资源要素交易平台的数据分析模型构建系统及方法
CN114757723B (zh) * 2022-06-13 2022-09-06 山东国赢大数据产业有限公司 用于资源要素交易平台的数据分析模型构建系统及方法

Similar Documents

Publication Publication Date Title
CN110162706B (zh) 一种基于交互数据聚类的个性化推荐方法及系统
CN112214685B (zh) 一种基于知识图谱的个性化推荐方法
CN107220365B (zh) 基于协同过滤与关联规则并行处理的精准推荐系统及方法
CN112765486B (zh) 一种融合知识图谱的注意力机制的电影推荐方法
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN111898031B (zh) 一种获得用户画像的方法及装置
CN110674407A (zh) 基于图卷积神经网络的混合推荐方法
CN104834686A (zh) 一种基于混合语义矩阵的视频推荐方法
CN104298787A (zh) 一种基于融合策略的个性化推荐方法及装置
CN111460251A (zh) 数据内容个性化推送冷启动方法、装置、设备和存储介质
CN113407729B (zh) 一种面向司法的个性化案例推荐方法及系统
CN112464100B (zh) 信息推荐模型训练方法、信息推荐方法、装置及设备
CN111737418A (zh) 搜索词和商品的相关性预测方法、设备和存储介质
CN112749330A (zh) 信息推送方法、装置、计算机设备和存储介质
CN113011172A (zh) 文本处理方法、装置、计算机设备和存储介质
CN111538846A (zh) 基于混合协同过滤的第三方库推荐方法
CN112215629B (zh) 基于构造对抗样本的多目标广告生成系统及其方法
CN110083766B (zh) 一种基于元路径引导嵌入的查询推荐方法及装置
CN116823410B (zh) 数据处理方法、对象处理方法、推荐方法及计算设备
CN114022233A (zh) 一种新型的商品推荐方法
CN112231547A (zh) 一种基于知识图谱的内容推荐方法和系统
CN114781348A (zh) 一种基于词袋模型的文本相似度计算方法及系统
CN111061939B (zh) 基于深度学习的科研学术新闻关键字匹配推荐方法
CN114282119A (zh) 一种基于异构信息网络的科技信息资源检索方法及系统

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