GR20220100246A - Μεθοδος για την αυτοματη μετατροπη δεδομενων ιστορικου αγορων απο ηλεκτρονικα καταστηματα σε σαφες σημα και την εκπαιδευση νευρωνικου δικτυου βαθιας μηχανικης μαθησης για την παραγωγη προτασεων σε καταναλωτες - Google Patents

Abstract

Μέθοδος που μετατρέπει αυτόματα τα δεδομένα αγορών ενός ηλεκτρονικού καταστήματος σε ένα σαφές σήμα, που χαρακτηρίζεται από τον εκάστοτε συνδυασμό ενός καταναλωτή και ενός προϊόντος μαζί με τον χαρακτηρισμό του συνδυασμού ως θετικού ή αρνητικού, με σκοπό την παραγωγή προτάσεων στους καταναλωτές. Με τη μέθοδο παράγεται ένα νέο σύνολο δεδομένων, κατάλληλο για την εκπαίδευση μοντέλων μηχανικής μάθησης από έναν εξυπηρετητή πληροφοριών. Ο εξυπηρετητής δέχεται τα δεδομένα αγορών σε κατάλληλη μορφή από το ηλεκτρονικό κατάστημα. Από τα δεδομένα αγορών και σε συνδυασμό με δεδομένα προηγούμενων προτάσεων που έχουν πραγματοποιηθεί και βρίσκονται αποθηκευμένοι στη μνήμη του εξυπηρετητή, παράγονται νέα δεδομένα που χαρακτηρίζουν την αλληλεπίδραση ενός καταναλωτή και ενός προϊόντος ως θετική ή αρνητική. Τα δεδομένα αυτά αποτελούν το σαφές σήμα. Ο εξυπηρετητής προσαρμόζει μέσω της διαδικασίας εκπαίδευσης ένα μοντέλο νευρωνικού δικτύου βαθιάς μηχανικής μάθησης, με σκοπό τη βέλτιστη προσαρμογή στο σήμα που παράγεται και συνεπώς την ολοένα καλύτερη παραγωγή προτάσεων, δηλαδή προτάσεων που είναι περισσότερο πιθανές να οδηγήσουν σε μια νέα αγορά, οι οποίες αποστέλλονται από το ηλεκτρονικό κατάστημαμέσω μηνυμάτων ηλεκτρονικού ταχυδρομείου και SMS.

Description

ΠΕΡΙΓΡΑΦΗ

Μέθοδος για την αυτόματη μετατροπή δεδομένων ιστορικού αγορών από ηλεκτρονικά καταστήματα σε σαφές σήμα και την εκπαίδευση νευρωνικού δικτύου βαθιάς μηχανικής μάθησης για την παραγωγή προτάσεων σε καταναλωτές.

Η παρούσα εφεύρεση αναφέρεται σε μια μέθοδο επεξεργασίας δεδομένων, ειδικότερα σε μία μέθοδο που επιτρέπει την αυτόματη μετατροπή δεδομένων από καταστήματα ηλεκτρονικών αγορών σε ένα νέο σύνολο δεδομένων που εμπεριέχει ένα ρητό σήμα εκπαίδευσης, και τη ρύθμιση ή εκπαίδευση ενός νευρωνικού δικτύου βαθιάς μηχανικής μάθησης χρησιμοποιώντας τα δεδομένα αυτά, που είναι κατάλληλα για τη διαδικασία εκπαίδευσης. Συνολικά, η μέθοδος επιτυγχάνει την αυτόματη παροχή προτάσεων για νέα προϊόντα στους πελάτες του ηλεκτρονικού καταστήματος και την αποστολή ενημερωτικών μηνυμάτων προς αυτούς.

Τα καταστήματα ηλεκτρονικού εμπορίου ορίζονται ως τα καταστήματα στα οποία οι αγορές πραγματοποιούνται μέσω του διαδικτύου, χωρίς να είναι απαραίτητη η φυσική παρουσία των συμβαλλόμενων, δηλαδή του πωλητή και του αγοραστή. Τα συστήματα προτάσεων αποτελούν συστήματα τα οποία παρέχουν προτάσεις στους πελάτες, ή αγοραστές, ή καταναλωτές, κατά την παραμονή τους στο ηλεκτρονικό κατάστημα, με σκοπό την ώθησή τους στην αγορά νέων προϊόντων. Για την παροχή το δυνατό καλύτερων προτάσεων, δηλαδή προτάσεων που είναι περισσότερο πιθανό να οδηγήσουν σε μια νέα αγορά, μπορούν να χρησιμοποιηθούν μοντέλα μηχανικής μάθησης. Αυτά τα μοντέλα μηχανικής μάθησης, για τη ρύθμισή τους, που στο εξής θα αναφέρεται ως εκπαίδευση, και για την αξιολόγησή τους χρειάζονται ένα ρητό σήμα που αξιολογεί τις προηγούμενες προτάσεις τους, δηλαδή ένα σήμα που τις κατηγοριοποιεί ως θετικές ή ως αρνητικές. Ωστόσο, τα δεδομένα αγορών που παρέχει ένα ηλεκτρονικό κατάστημα, που ορίζονται ως αλληλεπιδράσεις μεταξύ πελατών του καταστήματος, στο εξής χρηστών, και αντικειμένων προς πώληση, στο εξής αντικειμένων, δεν αποτελούν σαφή δεδομένα, καθώς υπάρχει μόνο η πληροφορία για τα αντικείμενα που αγοράστηκαν από τους καταναλωτές, αλλά όχι η πληροφορία για τα αντικείμενα που αγοράστηκαν ανεξάρτητα από τις προτάσεις του μοντέλου μηχανικής μάθησης, ούτε η πληροφορία για τα αντικείμενα που απέρριψε ο χρήστης.

Η παρούσα εφεύρεση παρέχει έναν τρόπο για τη βέλτιστη εκπαίδευση και αξιοποίηση ενός μοντέλου νευρωνικού δικτύου βαθιάς μηχανικής μάθησης, που στο εξής θα αναφέρεται ως μοντέλο, από ηλεκτρονικά καταστήματα, με την παραγωγή ενός σαφούς σήματος κατάλληλου για την εκπαίδευση και την αξιολόγησή του, αποσκοπώντας συνολικά στην παραγωγή αυτόματων προτάσεων για αντικείμενα, οι οποίες προτάσεις αποστέλλονται στους καταναλωτές του καταστήματος. Το σαφές αυτό σήμα αποτελεί ένα νέο σύνολο δεδομένων που προκύπτει από τις αλληλεπιδράσεις των χρηστών με το κατάστημα. Ακόμα, μέσω αυτής της εφεύρεσης, είναι δυνατός ο διαχωρισμός μεταξύ του ηλεκτρονικού καταστήματος και της εκπαίδευσης του μοντέλου, έτσι ώστε η δομή και αρχιτεκτονική του μοντέλου να μπορεί να είναι κρυφή από το ηλεκτρονικό κατάστημα, γεγονός που είναι επιθυμητό για περιπτώσεις όπου η παροχή των προτάσεων στο ηλεκτρονικό κατάστημα αποτελεί και αυτή μια αυτόνομη εμπορική υπηρεσία. Έτσι, είναι δυνατή η βιομηχανική εφαρμογή της εφεύρεσης ως ένα τρόπο για την ορθή χρήση του νευρωνικού δικτύου βαθιάς μηχανικής μάθησης και την ταυτόχρονη παροχή αντίστοιχων υπηρεσιών σε ηλεκτρονικά καταστήματα διατηρώντας κρυφή τη δομή του μοντέλου αλλά και τα βάρη των νευρώνων που έχουν εκπαιδευτεί, καθώς αυτό θα μπορεί να βρίσκεται σε διαφορετικό μηχάνημα, του οποίου η διαχείριση είναι ξεχωριστή από αυτή του ηλεκτρονικού καταστήματος. Η τεχνική λύση που εισάγει η παρούσα εφεύρεση είναι η μείωση του φόρτου και της κατανάλωση πόρων στο ηλεκτρονικό κατάστημα, καθώς οι χρήστες θα συνδέονται σε αυτό γνωρίζοντας το προϊόν που επιθυμούν να αγοράσουν.

Κάθε ηλεκτρονικό κατάστημα διατηρεί ένα αρχείο με όλες τις αγορές που έχουν πραγματοποιηθεί. Μέσω του πρωτοκόλλου HTTPS και χρησιμοποιώντας τη μορφή αρχείου XML, το αρχείο ιστορικού των αγορών αποστέλλεται σε ένα ξεχωριστό μηχάνημα ηλεκτρονικού υπολογιστή, που στο εξής θα ονομάζεται εξυπηρετητής, το οποίο και αναλαμβάνει τη μετέπειτα επεξεργασία. Κάθε εγγραφή στο αρχείο των αγορών περιλαμβάνει τον μοναδικό κωδικό του χρήστη στο ηλεκτρονικό κατάστημα και τον μοναδικό κωδικό του εκάστοτε προϊόντος.

Οι μοναδικοί κωδικοί του κάθε χρήστη, που πέρα από αριθμητικούς χαρακτήρες μπορεί να περιλαμβάνουν και αλφαβητικούς χαρακτήρες ή σύμβολα, αντιστοιχίζονται από τον εξυπηρετητή σε έναν νέο και μοναδικό ακέραιο αριθμό. Συγκεκριμένα, η αρίθμηση θα ξεκινήσει από το μηδέν για τον πρώτο κωδικό χρήστη και στη συνέχεια θα διατηρεί αύξουσα σειρά για κάθε νέο χρήστη που αντιστοιχίζεται. Εάν κάποιος χρήστης σε μια εγγραφή έχει ήδη αντιστοιχηθεί σε έναν κωδικό αριθμό, χρησιμοποιείται αυτός ο αριθμός και δεν ανατίθεται νέος.

Η ίδια διαδικασία ακολουθείται για τα αντικείμενα. Οι μοναδικοί κωδικοί του κάθε αντικειμένου, που πέρα από αριθμητικούς χαρακτήρες μπορεί να περιλαμβάνουν και αλφαβητικούς χαρακτήρες ή σύμβολα, αντιστοιχίζονται από τον εξυπηρετητή σε έναν νέο και μοναδικό ακέραιο αριθμό. Συγκεκριμένα, η αρίθμηση θα ξεκινήσει από το μηδέν για τον πρώτο κωδικό αντικειμένου και στη συνέχεια θα διατηρεί αύξουσα σειρά. Εάν κάποιο αντικείμενο σε μια εγγραφή έχει ήδη αντιστοιχηθεί σε έναν κωδικό αριθμό, χρησιμοποιείται αυτός ο αριθμός και δεν ανατίθεται νέος. Τόσο για την περίπτωση της αναπαράστασης των χρηστών όσο και για την περίπτωση της αναπαράστασης των αντικειμένων, οι ακέραιοι αριθμοί καθίστανται περισσότερο κατάλληλοι για τη χρήση τους ως είσοδο σε μοντέλα μηχανικής μάθησης από ότι οι αλφαριθμητικοί χαρακτήρες και τα σύμβολα.

Ο εξυπηρετητής παράγει και διατηρεί στη μνήμη του έναν πίνακα δύο (2) διαστάσεων. Η κάθε εγγραφή αντιστοιχεί με μια αλληλεπίδραση χρήστη και αντικειμένου. Το πρώτο στοιχείο της γραμμής περιλαμβάνει τον κωδικό αριθμό του χρήστη και το δεύτερο στοιχείο περιλαμβάνει τον κωδικό αριθμό του αντικειμένου. Για την καλύτερη αξιοποίηση της υπολογιστικής ισχύος, η μορφή στην οποία θα αποθηκεύεται ο πίνακας είναι η δυαδική (binary - bin).

Ο εξυπηρετητής, κάθε μία εβδομάδα, δέχεται το ανανεωμένο ιστορικό αγορών, μέσω του πρωτοκόλλου HTTPS και σε μορφή XML, που είναι μια λίστα που περιλαμβάνει όλους τους χρήστες. Χρησιμοποιώντας τη μέθοδο εκπαίδευσης και περιγράφεται αναλυτικά παρακάτω, εκπαιδεύεται το βαθύ νευρωνικό δίκτυο, για κάθε έναν από τους χρήστες επιστρέφεται στο ηλεκτρονικό κατάστημα μια λίστα με είκοσι (20) προτεινόμενα αντικείμενα, και στη συνέχεια αποστέλλεται στους καταναλωτές ένα μήνυμα ηλεκτρονικού ταχυδρομείου και ένα μήνυμα SMS. Ο συνολικός αριθμός των αντικειμένων που προτείνονται να δύναται να αλλάξει αν αυτό είναι επιθυμητό. Επίσης, δύναται να αλλάξει η συχνότητα της εκπαίδευσης του νευρωνικού δικτύου και της αποστολής των νέων προτάσεων, σε όποιο χρονικό διάστημα είναι επιθυμητό. Αυτός ο συνδυασμός χρηστών και αντικειμένων αποτελεί τις προτάσεις που παρήχθησαν από το μοντέλο, με τους κωδικούς χρηστών και αντικειμένων να έχουν αντιστοιχηθεί στην αρχική μορφή που χρησιμοποιεί το κατάστημα. Ο εξυπηρετητής διατηρεί στη μνήμη του τις προτάσεις αυτές, καθώς όλες της προηγούμενες προτάσεις που έχουν πραγματοποιηθεί.

Ορίζοντας το σύνολο των αλληλεπιδράσεων που παρέχει το ηλεκτρονικό κατάστημα ως Α και το σύνολο των προτάσεων που έχει πραγματοποιήσει το μοντέλο μηχανικής μάθησης ως Π, τα οποία σύνολα βρίσκονται αποθηκευμένα στη μνήμη του εξυπηρετητή, τα σαφή δεδομένα προκύπτουν ως τα δεδομένα που ανήκουν στις προηγούμενες προτάσεις Π και ταυτόχρονα ανήκουν στο σύνολο των αλληλεπιδράσεων Α, σε συνδυασμό με τις προηγούμενες προτάσεις του συστήματος Π που δεν ανήκουν στο σύνολο των αλληλεπιδράσεων Α. Ο πρώτος όρος αποτελεί το σαφές θετικό σήμα και ο δεύτερος το σαφές αρνητικό σήμα. Η διαδικασία αυτή υλοποιείται στον εξυπηρετητή. Χρησιμοποιώντας διαγράμματα Venn, στο σχήμα 1 φαίνεται το θετικό σαφές σήμα ως η τομή των συνόλων Α και Π, ενώ στο σχήμα 2 φαίνεται το σαφές αρνητικό σήμα ως η αφαίρεση του συνόλου Α από το σύνολο Π.

Οι πίνακες Α και Π αποτελούν πίνακες δύο διαστάσεων, με την κάθε εγγραφή/σειρά του πίνακα να αντιστοιχεί σε μια αλληλεπίδραση χρήστη και αντικειμένου, για μια αγορά που πραγματοποιήθηκε στο κατάστημα, στην περίπτωση του Α, και για μια προηγούμενη πρόταση του μοντέλου μηχανικής μάθησης, στην περίπτωση του Π. Το πρώτο στοιχείο της κάθε γραμμής περιλαμβάνει τον κωδικό ακέραιο αριθμό του χρήστη και το δεύτερο στοιχείο της κάθε γραμμές περιλαμβάνει τον κωδικό ακέραιο αριθμό του αντικειμένου. Το σαφές σήμα, επιπλέον των αντίστοιχων κωδικών αριθμών χρήστη και αντικειμένου, εμπεριέχει και τον χαρακτηρισμό της κάθε εγγραφής ως θετικής ή ως αρνητικής.

Με αυτόν τον τρόπο, μπορούν να εκπαιδευτεί το μοντέλο βαθιάς μηχανικής μάθησης. Το μοντέλο χρειάζεται την ύπαρξη ενός σαφούς σήματος που αξιολογεί τις προηγούμενες επιλογές τους. Η παρούσα εφεύρεση επιτυγχάνει το παραπάνω, δηλαδή την εξαγωγή σαφούς σήματος από τα δεδομένα αγορών που βρίσκονται σε ένα ηλεκτρονικό κατάστημα. Με τη χρήση της, είναι εφικτή η διαρκής βελτίωση του μοντέλου μηχανικής μάθησης μέσω τους σαφούς σήματος. Το σήμα αυτό δύναται να αξιοποιηθεί από βελτιστοποιητές (optimizers) που έχουν προταθεί από τη βιβλιογραφία, με σκοπό το μοντέλο να προσαρμόζεται ώστε να βελτιστοποιεί το σαφές σήμα, δηλαδή να λαμβάνει περισσότερα θετικά σήματα και λιγότερα αρνητικά σήματα.

Το μοντέλο, που αποτελεί ένα νευρωνικό δίκτυο βαθιάς μηχανικής μάθησης, δέχεται για την εκπαίδευσή του το σαφές σήμα. Ο κωδικός του χρήστη εισέρχεται σε ένα επίπεδο διανυσματικής αναπαράστασης (embedding layer), το οποίο αντιπροσωπεύει τους χρήστες με ένα διάνυσμα διάστασης ίσης με δεκαέξι (16). Ομοίως για τα αντικείμενα, κωδικός του αντικειμένου εισέρχεται σε ένα επίπεδο διανυσματικής αναπαράστασης (embedding layer), το οποίο αντιπροσωπεύει τα αντικείμενα με ένα διάνυσμα διάστασης ίσης με δεκαέξι (16). Με τη συνένωση (concatenate) των δύο επιπέδων διανυσματικής αναπαράστασης, παράγεται ένα διάνυσμα τριάντα δύο (32) διαστάσεων, που αναπαριστά την αλληλεπίδραση του συγκεκριμένου χρήστη και αντικειμένου. Αυτό το διάνυσμα εισέρχεται σε ένα πλήρως συνδεδεμένο επίπεδο με πενήντα (50) νευρώνες και χρησιμοποιεί τη συνάρτηση διορθωμένης γραμμικής μονάδας (Rectified Linear Unit -ReLU) ως συνάρτηση ενεργοποίησης. Στη συνέχεια, η έξοδος του πλήρως επιπέδου εισέρχεται σε ένα δεύτερο πλήρως συνδεδεμένο επίπεδο με εκατό (100) νευρώνες που χρησιμοποιεί επίσης τη συνάρτηση ενεργοποίησης ReLU. Τέλος, η έξοδος του δεύτερου πλήρως συνδεδεμένου επιπέδου εισέρχεται σε ένα τρίτο πλήρως συνδεδεμένο επίπεδο με έναν (1) νευρώνα και σιγμοειδή (sigmoid) συνάρτηση ενεργοποίησης, που περιορίζει την έξοδο του τελευταίου επιπέδου, που αποτελεί την έξοδο του νευρωνικού δικτύου, στο διάστημα [0, 1],

Για την εκπαίδευση του νευρωνικού δικτύου χρησιμοποιείται ο βελτιστοποιητής Adam (Adam optimizer). Δοσμένου του σαφούς σήματος, που περιέχει τον κωδικό ενός χρήστη και ενός προϊόντος, καθώς και τον χαρακτηρισμό της εγγραφής ως θετικής ή αρνητικής, στο νευρωνικό δίκτυο εισέρχονται οι δύο κωδικοί, και υπολογίζεται η έξοδος του δικτύου. Ο βελτιστοποιητής ρυθμίζει τις παραμέτρους των επιπέδων του νευρωνικού δικτύου έτσι ώστε η έξοδός του να δίνει τιμές κοντά στη μονάδα, για θετικό σήμα, και τιμές κοντά στο μηδέν, για αρνητικό σήμα. Ο ρυθμός εκμάθησης ορίζεται ως δέκα εις τη μείον τρία (10<-3>) και το μέγεθος δέσμης (batch size) ως τριάντα δύο (32), που αποτελεί τον αριθμό των εγγραφούν που επεξεργάζονται παράλληλα σε κάθε βήμα βελτιστοποίησης. Η διαδικασία επαναλαμβάνεται για ολόκληρο το σύνολο των δεδομένων τριάντα (30) φορές, δηλαδή ο αριθμός των εποχών (epoch) είναι ίσος με τριάντα.

Η αρχιτεκτονική του νευρωνικού δικτύου φαίνεται στο σχήμα 3. Τα δύο επίπεδα διανυσματικής αναπαράστασης, ονομάζονται ως ΕΔΑΧ (επίπεδο διανυσματικής αναπαράστασης χρηστών) και ΕΔΑΑ (επίπεδο διανυσματικής αναπαράστασης αντικειμένων). Τα πλήρως συνδεδεμένα επίπεδα αναφέρονται ως ΠΣΕ1 , ΠΣΕ2, και ΠΣΕ3 (πλήρως συνδεδεμένο επίπεδο 1, 2, και 3, αντίστοιχα). Για κάθε πλήρως συνδεδεμένο επίπεδο, αναγράφεται ο αριθμός των νευρώνων του. Η συνολική μέθοδος και η αλληλεπίδραση των στοιχείων πο παραπάνω, φαίνονται στο σχήμα 4.

υ την αποτελούν, όπως περιγράφηκαν

Claims (10)

ΑΞΙΩΣΕΙΣ

1. Μέθοδος για την αυτόματη μετατροπή δεδομένων αγορών από ηλεκτρονικά καταστήματα και την εκπαίδευση νευρωνικού δικτύου βαθιάς μάθησης και την παροχή προτάσεων στους καταναλωτές, που περιλαμβάνει τις ακόλουθες φάσεις:

α) Δημιουργία αρχείου μορφής XML από το ηλεκτρονικό κατάστημα, που εκφράζει κάθε αγορά ως μια αλληλεπίδραση ενός χρήστη, που αντιπροσωπεύεται από έναν μοναδικό αλφαριθμητικό κωδικό που μπορεί να περιλαμβάνει και σύμβολα, και ενός αντικειμένου, που επίσης αντιπροσωπεύεται από έναν μοναδικό αλφαριθμητικό κωδικό που μπορεί να περιλαμβάνει και σύμβολα. Σε περίπτωση που μία αγορά περιλαμβάνει περισσότερα από ένα αντικείμενα, τότε αυτή διαχωρίζεται σε τόσες ξεχωριστές αλληλεπιδράσεις όσες και ο αριθμός των αντικειμένων.

β) Αποστολή του αρχείου XML, που περιγράφει τις παραπάνω αλληλεπιδράσεις, μέσω του διαδικτύου στον εξυπηρετητή.

γ) Αντιστοίχιση των μοναδικών κωδικών των χρηστών σε έναν νέο ακέραιο κωδικό αριθμό, μοναδικό για κάθε χρήστη, από τον εξυπηρετητή. δ) Αντιστοίχιση των μοναδικών κωδικών των αντικειμένων σε έναν νέο ακέραιο κωδικό αριθμό, μοναδικό για κάθε αντικείμενο, από τον εξυπηρετητή.

ε) Διατήρηση στη μνήμη του εξυπηρετητή μιας λίστας που αποτελεί τις αλληλεπιδράσεις μεταξύ χρηστών και αντικειμένων που έχουν καταγραφεί από το κατάστημα.

στ) Διατήρηση στη μνήμη του εξυπηρετητή μιας λίστας που περιλαμβάνει όλες τις προηγούμενες προτάσεις του μοντέλου μηχανικής μάθησης. ζ) Εξαγωγή του σαφούς σήματος συνδυάζοντας τα δεδομένα αλληλεπιδράσεων μεταξύ χρηστών και αντικειμένων και τα δεδομένα των παλαιότερων προτάσεων του μοντέλου μηχανικής μάθησης, από τον εξυπηρετητή.

η) Εκπαίδευση νευρωνικού δικτύου βαθιάς μηχανικής μάθησης.

θ) Αποστολή προτάσεων στους καταναλωτές μέσω μηνυμάτων ηλεκτρονικού ταχυδρομείου και SMS.

χαρακτηριζόμενη από το ότι παράγεται σαφές σήμα κατάλληλο για την εκπαίδευση δικτύων μηχανικής μάθησης, που ορίζεται ως μία λίστα που περιέχει, για κάθε στοιχείο του, τον μοναδικό ακέραιο κωδικό ενός χρήστη, τον μοναδικό ακέραιο κωδικό ενός αντικειμένου, και τον χαρακτηρισμό της εγγραφής ως θετικής ή αρνητικής. Μέσω του σαφούς σήματος, που αποτελεί ένα νέο σύνολο δεδομένων, εκπαιδεύεται ένα νευρωνικό δίκτυο βαθιάς μηχανικής μάθησης. Η διαδικασία εκτελείται περιοδικά για την εκμάθηση των νέων δεδομένων, σε διάστημα μίας εβδομάδας, ή όποιο άλλο διάστημα είναι επιθυμητό από τον χρήστη της μεθόδου.

2. Μέθοδος σύμφωνα με την αξίωση 1, χαρακτηριζόμενη από το ότι η μετάδοση μέσω του διαδικτύου θα πραγματοποιηθεί με χρήση του πρωτοκόλλου HTTPS το οποίο εγγυάται την ασφαλή μεταφορά μέσω κρυπτογράφησης και άλλων μέτρων ασφαλείας.

3. Μέθοδος σύμφωνα με την αξίωση 1, χαρακτηριζόμενη από το ότι οι μοναδικοί κωδικοί, τόσο για τους χρήστες όσο και για τα αντικείμενα, θα μετατρέπονται σε ακεραίους αριθμούς, των οποίων οι αρίθμηση θα ξεκινάει από το μηδέν, ξεκινώντας από τον πρώτο κωδικό που αναγνωρίζεται και θα διατηρεί αύξουσα σειρά. Εάν κάποιος χρήστης ή αντικείμενο έχει ήδη αντιστοιχηθεί σε έναν ακέραιο κωδικό, χρησιμοποιείται αυτός ο αριθμός και δεν ανατίθεται νέος.

4. Μέθοδος σύμφωνα με την αξίωση 1, χαρακτηριζόμενη από το ότι οι δύο λίστες που θα διατηρεί ο εξυπηρετητής στη μνήμη του, μία για τις αλληλεπιδράσεις χρηστών και αντικειμένων (Α) και μία για τις προηγούμενες προτάσεις του συστήματος (Π), θα είναι σε δυαδική μορφή, για την αποδοτική και γρηγορότερη ανάγνωσή τους.

5. Μέθοδος σύμφωνα με την αξίωση 1 ή 4, χαρακτηριζόμενη από το γεγονός ότι οι λίστες Α και Π αποτελούν πίνακες δύο (2) διαστάσεων, με την κάθε εγγραφή/σειρά να αντιστοιχεί σε μια αλληλεπίδραση χρήστη και αντικειμένου, για μια αγορά που πραγματοποιήθηκε στο κατάστημα, στην περίπτωση του Α, και για μια προηγούμενη πρόταση του μοντέλου μηχανικής μάθησης, στην περίπτωση του Π. Το πρώτο στοιχείο της κάθε γραμμής περιλαμβάνει τον κωδικό ακέραιο αριθμό του χρήστη και το δεύτερο στοιχείο της κάθε γραμμές περιλαμβάνει τον κωδικό ακέραιο αριθμό του αντικειμένου.

6. Μέθοδος σύμφωνα με την αξίωση 1, χαρακτηριζόμενη από το ότι ο εξυπηρετητής δεν να ανήκει στην ίδια υποδομή με το ηλεκτρονικό κατάστημα, αλλά αντιθέτως η διαχείρισή του είναι ξεχωριστή και μπορεί να είναι απομακρυσμένη, με τη χρήση του να παρέχεται σαν υπηρεσία. Γ ια κάθε έναν από τους χρήστες επιστρέφεται μία λίστα με είκοσι (20) προτεινόμενα αντικείμενα, και στη συνέχεια αποστέλλεται στους καταναλωτές, από το ίδιο το ηλεκτρονικό κατάστημα, ένα μήνυμα ηλεκτρονικού ταχυδρομείου και ένα μήνυμα SMS, που περιέχουν τις προτάσεις. Με αυτόν τον τρόπο, η δομή του μοντέλου μηχανικής μάθησης δύναται να διατηρείται μυστική, έτσι ώστε να διασφαλίζεται η εχεμύθεια σχετικά με τη δομή της και τις επι μέρους καινοτομίες στις βελτιώσεις της δομής της. Ακόμα, διευκολύνεται η οικονομική εκμετάλλευση της εφεύρεσης, και η προσφορά της υπηρεσίας με τη μορφή μηνιαίας ή ετήσιας συνδρομής.

7. Μέθοδος σύμφωνα με την αξίωση 1 ή 4 ή 5, χαρακτηριζόμενη από το ότι τα σαφή δεδομένα προκύπτουν ως εξής: το θετικό σήμα αποτελούν τα δεδομένα που ανήκουν στο σύνολο Π και ταυτόχρονα ανήκουν στο σύνολο Α, ενώ το αρνητικό σήμα αποτελούν τα δεδομένα που ανήκουν στο σύνολο Π και δεν ανήκουν στο σύνολο A. Το συνολικό σαφές σήμα περιλαμβάνει, σε κάθε εγγραφή του, τον ακέραιο μοναδικό κωδικό ενός χρήστη, τον ακέραιο μοναδικό κωδικό ενός αντικειμένου, και τον χαρακτηρισμό της εγγραφής ως θετικής ή ως αρνητικής.

8. Μέθοδος σύμφωνα με την αξίωση 1, χαρακτηριζόμενη από το γεγονός ότι το βαθύ νευρωνικό δίκτυο περιλαμβάνει δύο επίπεδα διανυσματικής αναπαράστασης (embedding layers) με διάσταση αναπαράστασης (embedding dimension) ίση με δέκα έξι (16), και τρία πλήρως συνδεδεμένα επίπεδα. Την είσοδο στο νευρωνικό δίκτυο αποτελούν οι αριθμοί χρήστη και αντικειμένου, που εισέρχονται στο επίπεδο διανυσματικής αναπαράστασης χρηστών και στο επίπεδο διανυσματικής αναπαράστασης αντικειμένων, αντίστοιχα. Στα δύο διανύσματα αναπαράστασης χρηστών και αντικειμένων που παράγονται, πραγματοποιείται η πράξη της συνένωσης (concatenation), και προκύπτει ένα συνολικό διάνυσμα τριάντα δύο διαστάσεων (32), που αναπαριστά τη συγκεκριμένη αλληλεπίδραση χρήστη και αντικειμένου. Στη συνέχεια, το διάνυσμα αυτό εισέρχεται στο πρώτο πλήρως συνδεδεμένο επίπεδο του δικτύου, που διαθέτει πενήντα (50) νευρώνες και χρησιμοποιεί τη συνάρτηση διορθωμένης γραμμικής μονάδας (Rectified Linear Unint - ReLU) ως συνάρτηση ενεργοποίησης. Η έξοδος του επιπέδου εισέρχεται στο δεύτερο επίπεδο, που διαθέτει εκατό (100) νευρώνες και επίσης χρησιμοποιεί τη ReLU συνάρτηση ενεργοποίησης. Η έξοδος του δεύτερου επιπέδου εισέρχεται στο τρίτο επίπεδο, που αποτελείται από έναν (1) νευρώνα και χρησιμοποιεί τη σιγμοειδή συνάρτηση ενεργοποίησης. Το τελευταίο αποτελεί την έξοδο του νευρωνικού δικτύου, η οποία θα είναι στο διάστημα [0, 1],

9. Μέθοδος σύμφωνα με την αξίωση 1 ή 8, χαρακτηριζόμενη από το γεγονός ότι για την εκπαίδευση του νευρωνικού δικτύου χρησιμοποιείται ο βελτιστοποιητής Adam (Adam optimizer). Ο βελτιστοποιητής χρησιμοποιεί το σαφές σήμα για την εκπαίδευση του νευρωνικού δικτύου, ρυθμίζοντας τις παραμέτρους/βάρη του νευρωνικού δικτύου έτσι ώστε η έξοδός του να δίνει τιμές κοντά στη μονάδα για θετικό σήμα και τιμές κοντά στο μηδέν για αρνητικό σήμα. Ο ρυθμός εκμάθησης ορίζεται ως δέκα εις τη μείον τρία (10<-3>) και το μέγεθος δέσμης (batch size) ως τριάντα δύο (32). Ο αριθμός των εποχών ορίζεται ως τριάντα (30).

10. Μέθοδος σύμφωνα με την αξίωση 1, χαρακτηριζόμενη από το γεγονός ότι περιλαμβάνει την εισαγωγή ενός λογισμικού στοιχείου στο ηλεκτρονικό κατάστημα, το οποίο επιτρέπει τη μετατροπή των δεδομένων αγορών σε κατάλληλη μορφή αρχείου XML και αναλαμβάνει την αποστολή τους στον εξυπηρετητή μέσω του πρωτόκολλου HTTPS.