CN117372119A - 电子商务信息推荐系统及其方法 - Google Patents

Abstract

本申请涉及智能推荐领域，其具体地公开了一种电子商务信息推荐系统及其方法，其通过分析用户的偏好行为以及商品的相关信息，来做对应的推荐‑需求匹配。这样，可以为电子商务平台的用户提供个性化推荐服务，帮助用户快速找到感兴趣的商品，有利于提升用户的购物体验。

Description

电子商务信息推荐系统及其方法

技术领域

本申请涉及智能推荐领域，且更为具体地，涉及一种电子商务信息推荐系统及其方法。

背景技术

电子商务平台是指通过互联网技术和电子支付系统，提供在线购物和交易服务的平台。它为商家和消费者提供了一个虚拟的市场，使得商品和服务可以在线上进行展示、销售和交易。常见的电子商务平台包括淘宝、京东、拼多多等，这些平台在全球范围内提供了广泛的商品和服务选择，并且通过强大的技术和基础设施支持，确保了安全、便捷和高效的交易体验。

在电子商务平台上，商品的数量以及商品的信息数据庞大，用户往往面临大量的选择。这导致用户在购物时很难找到自己感兴趣的商品，同时也增加了用户搜索和筛选的负担。

因此，需要一种优化的电子商务信息推荐方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电子商务信息推荐系统及其方法，其通过分析用户的偏好行为以及商品的相关信息，来做对应的推荐-需求匹配。这样，可以为电子商务平台的用户提供个性化推荐服务，帮助用户快速找到感兴趣的商品，有利于提升用户的购物体验。

根据本申请的一个方面，提供了一种电子商务信息推荐系统，其包括：

用户数据获取模块，用于获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录；

商品数据获取模块，用于获取待推荐商品的文本描述和评价数据；

用户数据特征提取模块，用于对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量；

商品数据特征提取模块，用于对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量；

关联编码模块，用于对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵；

双向注意力分类模块，用于将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；

推荐结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。

在上述电子商务信息推荐系统中，所述用户数据特征提取模块，包括：第一分词单元，用于对所述用户的多维度数据进行分词处理以将所述用户的多维度数据转化为由多个词组成的词序列；第一词嵌入单元，用于使用所述包含词嵌入层的第一语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第一上下文编码单元，用于使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；第一级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述用户数据语义理解特征向量。

在上述电子商务信息推荐系统中，所述商品数据特征提取模块，包括：第二分词单元，用于对所述待推荐商品的文本描述和评价数据进行分词处理以将所述待推荐商品的文本描述和评价数据转化为由多个词组成的词序列；第二词嵌入单元，用于使用所述包含词嵌入层的第二语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第二上下文编码单元，用于使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；第二级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述商品语义理解特征向量。

在上述电子商务信息推荐系统中，所述关联编码模块，包括：按位置均值向量计算单元，用于计算所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的按位置均值向量；去中心化特征向量生成单元，用于将所述商品语义理解特征向量和所述用户数据语义理解特征向量分别减去所述按位置均值向量以得到第一去中心化特征向量和第二去中心化特征向量；排列单元，用于将所述第一去中心化特征向量和所述第二去中心化特征向量按列排列为特征向量矩阵；协方差矩阵生成单元，用于将所述特征向量矩阵乘以其转置矩阵以得到协方差矩阵；特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征向量以及与所述多个特征值对应的多个特征向量；特征值向量选取单元，用于从所述多个特征向量中提取前两个最大的特征值对应的特征向量作为第一特征值向量和第二特征值向量；推荐-需求匹配特征矩阵生成单元，用于计算所述第一特征值向量与所述第二特征值向量的转置向量以得到所述推荐-需求匹配特征矩阵。

在上述电子商务信息推荐系统中，所述双向注意力分类模块，包括：池化单元，用于将所述推荐-需求匹配特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；分类特征矩阵生成单元，用于计算所述双向关联权重矩阵和所述推荐-需求匹配特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

在上述电子商务信息推荐系统中，所述推荐结果生成模块，包括：展开单元，用于将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

根据本申请的另一方面，提供了一种电子商务信息推荐方法，其包括：

获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录；

获取待推荐商品的文本描述和评价数据；

对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量；

对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量；

对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵；

将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。

与现有技术相比，本申请提供的电子商务信息推荐系统及其方法，其通过分析用户的偏好行为以及商品的相关信息，来做对应的推荐-需求匹配。这样，可以为电子商务平台的用户提供个性化推荐服务，帮助用户快速找到感兴趣的商品，有利于提升用户的购物体验。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的电子商务信息推荐系统的系统框图。

图2为根据本申请实施例的电子商务信息推荐系统的架构图。

图3为根据本申请实施例的电子商务信息推荐系统中用户数据特征提取模块模块的框图。

图4为根据本申请实施例的电子商务信息推荐系统中商品数据特征提取模块的框图。

图5为根据本申请实施例的电子商务信息推荐系统中关联编码模块的框图。

图6为根据本申请实施例的电子商务信息推荐系统中双向注意力分类模块的框图。

图7为根据本申请实施例的电子商务信息推荐系统中推荐结果生成模块的框图。

图8为根据本申请实施例的电子商务信息推荐方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

申请概述

如上述背景技术所言，电子商务平台通过互联网技术和电子支付系统提供在线购物和交易服务，常见的电子商务平台有淘宝、拼多多、京东等。这些平台拥有庞大的商品数量和信息数据，用户在购物时面临大量选择。这导致用户在短时间内难以找到感兴趣的商品，同时增加了搜索和筛选的负担。因此，期待一种优化的电子商务信息推荐方案。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为电子商务信息推荐提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录。应可以理解，用户的购买记录可以提供直接的反馈，了解用户已经购买过的商品类型、品牌偏好、价格范围等信息，这可以帮助确定用户的购买意图和消费能力，为推荐更符合用户需求的商品提供线索；用户的搜索记录可以揭示用户关注的主题、关键词和搜索习惯，通过分析搜索记录，可以了解用户对不同类别的商品的兴趣程度，甚至可以推断用户可能的需求和偏好；用户的浏览记录可以反映用户对商品的兴趣程度和关注度，通过分析浏览记录，可以了解用户关注的商品类别、品牌、特征等信息，从而更好地理解用户的喜好和偏好。综合上述多维度数据，可以更好地理解用户的兴趣、偏好和行为，从而进行个性化的商品推荐。

接着，获取待推荐商品的文本描述和评价数据。应可以理解，商品的文本描述通常包含了关于商品的详细信息，包括商品的特点、功能、规格、用途等。通过分析文本描述，可以了解商品的属性和特征，从而与用户的需求进行匹配。例如，如果用户在搜索中提到了某些特定的关键词，可以通过匹配商品的文本描述来确定是否符合用户的需求。商品的评价数据是其他用户对商品的评价和反馈。这些评价可以提供关于商品质量、性能、可靠性等方面的信息。通过分析评价数据，可以了解商品的优点、缺点和用户体验，从而判断商品是否适合用户的需求和偏好。

然后，对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量。应可以理解，对用户的多维度数据进行数据清洗是为了去除噪声和无效信息，以提高数据的质量和准确性。通过包含词嵌入层的第一语义编码器对清洗后的用户数据进行处理，可以将用户的多维度数据转化为语义理解特征向量。词嵌入是将文本数据表示为连续向量的技术，它可以捕捉到词语之间的语义关系。通过将用户数据中的文本信息转化为词嵌入向量，可以将用户的行为和兴趣表达为连续的向量表示。

同时，对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量。将待推荐商品的文本描述和评价数据进行分词处理可以将文本信息拆分成单词或短语的形式，以便进行后续的处理和分析。通过包含词嵌入层的第二语义编码器，可以将分词处理后的商品文本描述和评价数据转化为商品的语义理解特征向量。这样，商品的文本信息和评价数据被转化为具有语义理解能力的特征向量，可以更好地捕捉商品的特征和属性。

紧接着，对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行关联编码以得到推荐-需求匹配特征矩阵。通过将商品和用户的语义理解特征向量进行关联编码，可以将商品和用户在语义空间中进行关联，从而捕捉到它们之间的相关性。通过构建推荐-需求匹配特征矩阵，可以量化商品和用户之间的匹配程度。这有助于帮助找到与用户需求最匹配的商品，提供更精准的推荐结果。

进而，将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵。本领域普通技术人员应该了解，卷积神经网络在特征提取方面表现优异。通过卷积神经网络模型可以有效地提取到推荐-需求匹配特征矩阵中的关键特征。而双向注意力机制可以同时考虑商品和用户之间的关联，以及不同特征之间的重要性。通过双向注意力机制，可以对推荐-需求匹配特征矩阵进行加权处理，突出重要的特征，并削弱不相关的特征，从而提高分类的准确性和区分度。最后，将所述分类特征矩阵通过分类器以得到用于表示是否向用户推荐所述待推荐商品的分类结果。基于所述分类结果，可以决定是否向用户推荐该商品，这样可以过滤掉与用户需求不匹配的商品，仅推荐与用户兴趣相关的商品，提高推荐的准确性。

特别地，在对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行关联编码以得到推荐-需求匹配特征矩阵时，考虑到用户数据和商品数据的语义理解特征向量通常包含了丰富的非线性关系。通过简单的转置相乘，无法捕捉到这些非线性关系，从而限制了模型的表达能力。同时，用户数据和商品数据的语义理解特征向量往往包含了多个维度的信息，这些维度之间可能存在复杂的交互关系。直接进行转置相乘无法考虑到这些特征之间的交互作用，导致模型无法充分挖掘数据中的潜在信息。为了充分利用数据的内在结构和规律，提高分类效果，可以对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵。

具体地，对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵，包括：计算所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的按位置均值向量；将所述商品语义理解特征向量和所述用户数据语义理解特征向量分别减去所述按位置均值向量以得到第一去中心化特征向量和第二去中心化特征向量；将所述第一去中心化特征向量和所述第二去中心化特征向量按列排列为特征向量矩阵；将所述特征向量矩阵乘以其转置矩阵以得到协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征向量以及与所述多个特征值对应的多个特征向量；从所述多个特征向量中提取前两个最大的特征值对应的特征向量作为第一特征值向量和第二特征值向量；计算所述第一特征值向量与所述第二特征值向量的转置向量以得到所述推荐-需求匹配特征矩阵。

这样，以所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的按位置均值向量作为类中心来对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行去中心化以在向量维度有效地刻画所述商品语义理解特征向量和所述用户数据语义理解特征向量在高维特征空间中的流形分布空间距离。进而，以协方差矩阵来表达所述第一去中心化特征向量和所述第二去中心化特征向量之间的隐含关联，并对所述协方差矩阵进行基于特征值的特征分解以提取所述隐含关联模式特征中的主要和次要基础特征向量，并最终以所述主要和次要基础特征向量之间的关联矩阵作为所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的所述推荐-需求匹配特征矩阵。

这样，以类特征流形学习思想来对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联，以稀疏化的方式来学习所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的高维隐含关联模式特征的主要和次要成分关联表达。这样，将利用所述商品语义理解特征向量和所述用户数据语义理解特征向量的数据的内在结构和规律，提高数据的分类效果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图1为根据本申请实施例的电子商务信息推荐系统的系统框图。如图1所示，在电子商务信息推荐系统100中，包括：用户数据获取模块110，用于获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录；商品数据获取模块120，用于获取待推荐商品的文本描述和评价数据；用户数据特征提取模块130，用于对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量；商品数据特征提取模块140，用于对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量；关联编码模块150，用于对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵；双向注意力分类模块160，用于将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；推荐结果生成模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。

图2为根据本申请实施例的电子商务信息推荐系统的架构图。如图2所示，在该架构中，首先，获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录。接着，获取待推荐商品的文本描述和评价数据。然后，对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量。同时，对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量。紧接着，对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵。进而，将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵。最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。

在电子商务信息推荐系统100中，所述用户数据获取模块110，用于获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录。应可以理解，用户的购买记录可以提供直接的反馈，了解用户已经购买过的商品类型、品牌偏好、价格范围等信息，这可以帮助确定用户的购买意图和消费能力，为推荐更符合用户需求的商品提供线索；用户的搜索记录可以揭示用户关注的主题、关键词和搜索习惯，通过分析搜索记录，可以了解用户对不同类别的商品的兴趣程度，甚至可以推断用户可能的需求和偏好；用户的浏览记录可以反映用户对商品的兴趣程度和关注度，通过分析浏览记录，可以了解用户关注的商品类别、品牌、特征等信息，从而更好地理解用户的喜好和偏好。综合上述多维度数据，可以更好地理解用户的兴趣、偏好和行为，从而进行个性化的商品推荐。用户在使用电子商务平台时，平台会通过技术手段(如Cookie、日志记录等)自动收集用户的购买记录、用户的搜索记录、用户的浏览记录这些数据。

在电子商务信息推荐系统100中，所述商品数据获取模块120，用于获取待推荐商品的文本描述和评价数据。应可以理解，商品的文本描述通常包含了关于商品的详细信息，包括商品的特点、功能、规格、用途等。通过分析文本描述，可以了解商品的属性和特征，从而与用户的需求进行匹配。例如，如果用户在搜索中提到了某些特定的关键词，可以通过匹配商品的文本描述来确定是否符合用户的需求。商品的评价数据是其他用户对商品的评价和反馈。这些评价可以提供关于商品质量、性能、可靠性等方面的信息。通过分析评价数据，可以了解商品的优点、缺点和用户体验，从而判断商品是否适合用户的需求和偏好。电子商务平台通常会要求商家提供商品的文本描述，这些信息会与商品一同上传到平台的数据库中，以供后续的推荐和展示使用。用户在购买商品后，可以在电子商务平台上对商品进行评价和留言。平台会收集并记录这些用户评论数据，并用于商品推荐和其他用户的参考。

在电子商务信息推荐系统100中，所述用户数据特征提取模块130，用于对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量。数据清洗包括去除重复数据、处理缺失值、处理异常值等操作，以确保数据的准确性和一致性。应可以理解，对用户的多维度数据进行数据清洗是为了去除噪声和无效信息，以提高数据的质量和准确性。通过包含词嵌入层的第一语义编码器对清洗后的用户数据进行处理，可以将用户的多维度数据转化为语义理解特征向量。词嵌入是将文本数据表示为连续向量的技术，它可以捕捉到词语之间的语义关系。通过将用户数据中的文本信息转化为词嵌入向量，可以将用户的行为和兴趣表达为连续的向量表示。

图3为根据本申请实施例的电子商务信息推荐系统中用户数据特征提取模块模块的框图。如图3所示，所述用户数据特征提取模块130，包括：第一分词单元131，用于对所述用户的多维度数据进行分词处理以将所述用户的多维度数据转化为由多个词组成的词序列；第一词嵌入单元132，用于使用所述包含词嵌入层的第一语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第一上下文编码单元133，用于使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；第一级联单元134，用于将所述多个全局上下文语义特征向量进行级联以得到所述用户数据语义理解特征向量。

在电子商务信息推荐系统100中，所述商品数据特征提取模块140，用于对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量。应可以理解，将待推荐商品的文本描述和评价数据进行分词处理可以将文本信息拆分成单词或短语的形式，以便进行后续的处理和分析。通过包含词嵌入层的第二语义编码器，可以将分词处理后的商品文本描述和评价数据转化为商品的语义理解特征向量。这样，商品的文本信息和评价数据被转化为具有语义理解能力的特征向量，可以更好地捕捉商品的特征和属性。

图4为根据本申请实施例的电子商务信息推荐系统中商品数据特征提取模块的框图。如图4所示，所述商品数据特征提取模块140，包括：第二分词单元141，用于对所述待推荐商品的文本描述和评价数据进行分词处理以将所述待推荐商品的文本描述和评价数据转化为由多个词组成的词序列；第二词嵌入单元142，用于使用所述包含词嵌入层的第二语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；第二上下文编码单元143，用于使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；第二级联单元144，用于将所述多个全局上下文语义特征向量进行级联以得到所述商品语义理解特征向量。

特别地，在对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行关联编码以得到推荐-需求匹配特征矩阵时，考虑到用户数据和商品数据的语义理解特征向量通常包含了丰富的非线性关系。通过简单的转置相乘，无法捕捉到这些非线性关系，从而限制了模型的表达能力。同时，用户数据和商品数据的语义理解特征向量往往包含了多个维度的信息，这些维度之间可能存在复杂的交互关系。直接进行转置相乘无法考虑到这些特征之间的交互作用，导致模型无法充分挖掘数据中的潜在信息。为了充分利用数据的内在结构和规律，提高分类效果，可以对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵。

在电子商务信息推荐系统100中，所述关联编码模块150，用于对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵。

图5为根据本申请实施例的电子商务信息推荐系统中关联编码模块的框图。如图5所示，所述关联编码模块150，包括：按位置均值向量计算单元151，用于计算所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的按位置均值向量；去中心化特征向量生成单元152，用于将所述商品语义理解特征向量和所述用户数据语义理解特征向量分别减去所述按位置均值向量以得到第一去中心化特征向量和第二去中心化特征向量；排列单元153，用于将所述第一去中心化特征向量和所述第二去中心化特征向量按列排列为特征向量矩阵；协方差矩阵生成单元154，用于将所述特征向量矩阵乘以其转置矩阵以得到协方差矩阵；特征值分解单元155，用于对所述协方差矩阵进行特征值分解以得到多个特征向量以及与所述多个特征值对应的多个特征向量；特征值向量选取单元156，用于从所述多个特征向量中提取前两个最大的特征值对应的特征向量作为第一特征值向量和第二特征值向量；推荐-需求匹配特征矩阵生成单元157，用于计算所述第一特征值向量与所述第二特征值向量的转置向量以得到所述推荐-需求匹配特征矩阵。

具体地，以所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的按位置均值向量作为类中心来对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行去中心化以在向量维度有效地刻画所述商品语义理解特征向量和所述用户数据语义理解特征向量在高维特征空间中的流形分布空间距离。以协方差矩阵来表达所述第一去中心化特征向量和所述第二去中心化特征向量之间的隐含关联，并对所述协方差矩阵进行基于特征值的特征分解以提取所述隐含关联模式特征中的主要和次要基础特征向量，并最终以所述主要和次要基础特征向量之间的关联矩阵作为所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的所述推荐-需求匹配特征矩阵。

这样，以类特征流形学习思想来对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联，以稀疏化的方式来学习所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的高维隐含关联模式特征的主要和次要成分关联表达。这样，将利用所述商品语义理解特征向量和所述用户数据语义理解特征向量的数据的内在结构和规律，提高数据的分类效果。

在电子商务信息推荐系统100中，所述双向注意力分类模块160，用于将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵。本领域普通技术人员应该了解，卷积神经网络在特征提取方面表现优异。卷积层是卷积神经网络最重要的层之一，通过将输入数据与一组可学习的卷积核进行卷积操作来提取输入数据的局部特征，卷积操作通过滑动窗口的方式在输入数据上进行，生成一系列的特征图；池化层用于对特征图进行下采样，减少特征图维度的同时能保留主要特征；激活函数是卷积神经网络中的一个重要组成部分，通过引入非线性变换，增强网络的表达能力和拟合复杂函数的能力。通过卷积神经网络模型可以有效地提取到推荐-需求匹配特征矩阵中的关键特征。而双向注意力机制可以同时考虑商品和用户之间的关联，以及不同特征之间的重要性。通过双向注意力机制，可以对推荐-需求匹配特征矩阵进行加权处理，突出重要的特征，并削弱不相关的特征，从而提高分类的准确性和区分度。

图6为根据本申请实施例的电子商务信息推荐系统中双向注意力分类模块的框图。如图6所示，所述双向注意力分类模块160，包括：池化单元161，用于将所述推荐-需求匹配特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；关联编码单元162，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；激活单元163，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；分类特征矩阵生成单元164，用于计算所述双向关联权重矩阵和所述推荐-需求匹配特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

在电子商务信息推荐系统100中，所述推荐结果生成模块170，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。分类器作为一种机器学习模型，可以根据输入数据进行分析和判断，将其映射到不同的类别上。通过将分类矩阵输入到训练好的分类器上，可以得到分类结果。基于所述分类结果，可以决定是否向用户推荐该商品，这样可以过滤掉与用户需求不匹配的商品，仅推荐与用户兴趣相关的商品，提高推荐的准确性。

图7为根据本申请实施例的电子商务信息推荐系统中推荐结果生成模块的框图。如图7所示，所述推荐结果生成模块170，包括：展开单元171，用于将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量；全连接编码单元172，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元173，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上所述，基于本申请实施例的电子商务信息推荐系统100被阐明，其通过分析用户的偏好行为以及商品的相关信息，来做对应的推荐-需求匹配。这样，可以为电子商务平台的用户提供个性化推荐服务，帮助用户快速找到感兴趣的商品，有利于提升用户的购物体验。

如上所述，根据本申请实施例的电子商务信息推荐系统100可以实现在各种终端设备中，例如用于电子商务信息推荐的服务器等。在一个示例中，根据本申请实施例的电子商务信息推荐系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电子商务信息推荐系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该电子商务信息推荐系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该电子商务信息推荐系统100与该终端设备也可以是分立的设备，并且该电子商务信息推荐系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图8为根据本申请实施例的电子商务信息推荐方法的流程图。如图8所示，在电子商务信息推荐方法中，包括：S110，获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录；S120，获取待推荐商品的文本描述和评价数据；S130，对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量；S140，对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量；S150，对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵；S160，将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；S170，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。

在一个示例中，在上述电子商务信息推荐方法中，所述对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量，包括：对所述用户的多维度数据进行分词处理以将所述用户的多维度数据转化为由多个词组成的词序列；使用所述包含词嵌入层的第一语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；将所述多个全局上下文语义特征向量进行级联以得到所述用户数据语义理解特征向量。

在一个示例中，在上述电子商务信息推荐方法中，所述对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量，包括：对所述待推荐商品的文本描述和评价数据进行分词处理以将所述待推荐商品的文本描述和评价数据转化为由多个词组成的词序列；使用所述包含词嵌入层的第二语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；将所述多个全局上下文语义特征向量进行级联以得到所述商品语义理解特征向量。

在一个示例中，在上述电子商务信息推荐方法中，所述对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵，包括：计算所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的按位置均值向量；将所述商品语义理解特征向量和所述用户数据语义理解特征向量分别减去所述按位置均值向量以得到第一去中心化特征向量和第二去中心化特征向量；将所述第一去中心化特征向量和所述第二去中心化特征向量按列排列为特征向量矩阵；将所述特征向量矩阵乘以其转置矩阵以得到协方差矩阵；对所述协方差矩阵进行特征值分解以得到多个特征向量以及与所述多个特征值对应的多个特征向量；从所述多个特征向量中提取前两个最大的特征值对应的特征向量作为第一特征值向量和第二特征值向量；计算所述第一特征值向量与所述第二特征值向量的转置向量以得到所述推荐-需求匹配特征矩阵。

在一个示例中，在上述电子商务信息推荐方法中，所述将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵，包括：将所述推荐-需求匹配特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；计算所述双向关联权重矩阵和所述推荐-需求匹配特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

在一个示例中，在上述电子商务信息推荐方法中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品，包括：将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上所述，基于本申请实施例的电子商务信息推荐方法被阐明，其通过分析用户的偏好行为以及商品的相关信息，来做对应的推荐-需求匹配。这样，可以为电子商务平台的用户提供个性化推荐服务，帮助用户快速找到感兴趣的商品，有利于提升用户的购物体验。

Claims (10)

1.一种电子商务信息推荐系统，其特征在于，包括：

用户数据获取模块，用于获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录；

商品数据获取模块，用于获取待推荐商品的文本描述和评价数据；

用户数据特征提取模块，用于对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量；

商品数据特征提取模块，用于对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量；

关联编码模块，用于对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵；

双向注意力分类模块，用于将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；

推荐结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。

2.根据权利要求1所述的电子商务信息推荐系统，其特征在于，所述用户数据特征提取模块，包括：

第一分词单元，用于对所述用户的多维度数据进行分词处理以将所述用户的多维度数据转化为由多个词组成的词序列；

第一词嵌入单元，用于使用所述包含词嵌入层的第一语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；

第一上下文编码单元，用于使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；

第一级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述用户数据语义理解特征向量。

3.根据权利要求2所述的电子商务信息推荐系统，其特征在于，所述商品数据特征提取模块，包括：

第二分词单元，用于对所述待推荐商品的文本描述和评价数据进行分词处理以将所述待推荐商品的文本描述和评价数据转化为由多个词组成的词序列；

第二词嵌入单元，用于使用所述包含词嵌入层的第二语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；

第二上下文编码单元，用于使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；

第二级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述商品语义理解特征向量。

4.根据权利要求3所述的电子商务信息推荐系统，其特征在于，所述关联编码模块，包括：

按位置均值向量计算单元，用于计算所述商品语义理解特征向量和所述用户数据语义理解特征向量之间的按位置均值向量；

去中心化特征向量生成单元，用于将所述商品语义理解特征向量和所述用户数据语义理解特征向量分别减去所述按位置均值向量以得到第一去中心化特征向量和第二去中心化特征向量；

排列单元，用于将所述第一去中心化特征向量和所述第二去中心化特征向量按列排列为特征向量矩阵；

协方差矩阵生成单元，用于将所述特征向量矩阵乘以其转置矩阵以得到协方差矩阵；

特征值分解单元，用于对所述协方差矩阵进行特征值分解以得到多个特征向量以及与所述多个特征值对应的多个特征向量；

特征值向量选取单元，用于从所述多个特征向量中提取前两个最大的特征值对应的特征向量作为第一特征值向量和第二特征值向量；

推荐-需求匹配特征矩阵生成单元，用于计算所述第一特征值向量与所述第二特征值向量的转置向量以得到所述推荐-需求匹配特征矩阵。

5.根据权利要求4所述的电子商务信息推荐系统，其特征在于，所述双向注意力分类模块，包括：

池化单元，用于将所述推荐-需求匹配特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；

关联编码单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；

激活单元，用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵；

分类特征矩阵生成单元，用于计算所述双向关联权重矩阵和所述推荐-需求匹配特征矩阵之间的按位置点乘以得到所述分类特征矩阵。

6.根据权利要求5所述的电子商务信息推荐系统，其特征在于，所述推荐结果生成模块，包括：

展开单元，用于将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量；

全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

7.一种电子商务信息推荐方法，其特征在于，包括：

获取用户在电子商务平台的多维度数据，其中，所述用户的多维度数据包括用户的购买记录、用户的搜索记录、用户的浏览记录；

获取待推荐商品的文本描述和评价数据；

对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量；

对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量；

对所述商品语义理解特征向量和所述用户数据语义理解特征向量进行特征关联以得到推荐-需求匹配特征矩阵；

将所述推荐-需求匹配特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵；

将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品。

8.根据权利要求7所述的电子商务信息推荐方法，其特征在于，对所述用户的多维度数据进行数据清洗后通过包含词嵌入层的第一语义编码器以得到用户数据语义理解特征向量，包括：

对所述用户的多维度数据进行分词处理以将所述用户的多维度数据转化为由多个词组成的词序列；

使用所述包含词嵌入层的第一语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；

使用所述包含词嵌入层的第一语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；

将所述多个全局上下文语义特征向量进行级联以得到所述用户数据语义理解特征向量。

9.根据权利要求8所述的电子商务信息推荐方法，其特征在于，对所述待推荐商品的文本描述和评价数据进行分词处理后通过包含词嵌入层的第二语义编码器以得到商品语义理解特征向量，包括：

对所述待推荐商品的文本描述和评价数据进行分词处理以将所述待推荐商品的文本描述和评价数据转化为由多个词组成的词序列；

使用所述包含词嵌入层的第二语义编码器的词嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；

使用所述包含词嵌入层的第二语义编码器的转换器对所述词嵌入向量的序列进行基于转换器的全局上下文语义编码以得到多个全局上下文语义特征向量；

将所述多个全局上下文语义特征向量进行级联以得到所述商品语义理解特征向量。

10.根据权利要求9所述的电子商务信息推荐方法，其特征在于，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户推荐所述待推荐商品，包括：

将所述分类特征矩阵基于行向量或列向量的展开为分类特征向量；

使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。