[发明专利]一种基于用户行为区别建模的序列推荐方法

说明书

本发明公开了一种基于用户行为区别建模的序列推荐方法，包括：获取用户的历史行为信息；根据获取的历史行为信息计算商品特征向量；结合商品特征向量使用行为区别建模方法进行序列建模，通过两种不同的神经网络架构获得用户的当前需求和历史偏好；根据用户的当前购买需求和历史偏好，通过联合学习对用户下一个感兴趣的商品进行预测，并在商品向量空间中进行匹配，找到与预测结果在商品向量空间中最相近的多个商品，生成商品推荐序列。该方法通过对用户时序行为的区别建模，智能的理解用户购买决策中的当前需求和长期偏好，并能够为用户提供精准的序列推荐服务。

技术领域

本发明涉及机器学习和电子商务技术领域，尤其涉及一种基于用户行为区别建模的序列推荐方法。

背景技术

随着在线购物平台的不断发展，推荐系统已经成为了电子商务中不可替代的重要组成部分。推荐系统能够学习用户历史行为中所隐藏的偏好信息，从而对用户购物行为进行进一步的预测，帮助顾客挑选满意商品的同时，促进电子商务平台的收益提升。因此，如何高效的、准确的为用户提供个性化的商品推荐服务一直以来都是学界和工业界研究的重要问题。

目前，关于推荐系统主要有以下两大类研究：

1)基于用户静态偏好的推荐系统

基于内容、协同过滤或者混合型的算法都是属于此类，这些方法通过将用户商品信息看作为静态的特征，通过聚类、矩阵分解等方法挖掘这些特征中所隐藏的商品相似和用户个性化偏好等信息，从而对用户进行相似内容或相似偏好推荐。在此类模型下，用户历史行为数据被看作是用户的静态特征，用户的偏好被认为是长期稳定的并会对用户未来的决策过程产生影响，在此基础上，这类推荐系统只需要学习用户历史偏好，并针对其偏好推荐相类似商品。

2)基于短会话的序列推荐方法

在部分线上平台，尤其是小型的零售平台以及多媒体内容服务商，缺乏足够的用户历史行为，但是其后台累计了大量的用户短会话内容。考虑到这种场景缺乏用户长期的偏好特征，有学者提出了基于短会话的用户序列推荐方法。这类方法通常基于用户的短期操作行为，构建深度神经网络来建模用户在短期内行为的动态变化，从而用来预测用户下一步感兴趣的商品对象并对用户进行推荐。

以上的在线平台推荐方法中，基于用户静态偏好的推荐系统能够很好的学习理解用户的稳定偏好，并能够较为准确的推荐给用户其喜爱的商品或服务，但是该方法是静态的，仅仅将用户的偏好看作是长期不变，没有考虑到用户的偏好也是一个动态变化的过程，同时，这种方法没有考虑到用户的当前需求，因此有可能推荐给用户的确实是用户喜欢的但却不是用户所需要的。基于短会话的序列推荐方法是将用户在短期内的交互过程记录下来，从这些短期行为中分析用户当前决策过程中的序列特征，从而判断用户下一个感兴趣的商品或服务。这种短会话的序列推荐方法能够通过深度神经网络建模用户行为在短期内的动态变化，但是这种方法忽略了用户自身偏好，这使得推荐结果往往符合用户需求却不是用户最喜欢的类型。同时，两种方法都没能将用户的整个决策过程中的动态变化进行深入建模，没有具体分析用户不同行为所表达出的不同偏好程度。因此，采用现有的推荐方法难以准确建模用户选择商品或服务时的完整决策过程，对用户需求和偏好不能结合起来，导致推荐内容未能达到用户期望。

发明内容

本发明的目的是提供一种基于用户行为区别建模的序列推荐方法，通过对用户时序行为的区别建模，智能的理解用户购买决策中的当前需求和长期偏好，并能够为用户提供精准的序列推荐服务。

本发明的目的是通过以下技术方案实现的：

一种基于用户行为区别建模的序列推荐方法，包括：

获取用户的历史行为信息；

根据用户的历史行为信息计算商品特征向量；

结合商品特征向量使用行为区别建模方法进行序列建模，通过两种不同的神经网络架构获得用户的当前需求和历史偏好；