[发明专利]一种基于深度神经网络的电商用户时变特征相似性计算推荐方法

权利要求书

1.一种基于深度神经网络的电商用户时变特征相似性计算推荐方法，其特征在于，包括如下步骤：

步骤一、通过用户行为特征和用户特性特征建立用户相似性预测模型，并对用户相似性预测模型进行训练得到训练好的用户相似性预测模型；所述相似性预测模型为基于深度神经网络的用户相似性预测模型，具体建立步骤如下：

一）、获得用户行为特征和用户特性特征中对购买预测影响高于设定阈值的特征作为选定特征；

二）、基于选定特征，利用深度神经网络构建预测用户相似性的模型；深度神经网络的结构的输入层分别输入选定特征，隐含层的每个神经元对每个用户的选定特征使用相同的计算方法分别获得用户的综合特征；用户综合特征的计算公式如下：

（1）

其中，为第i个选定特征对应的值，为第i个选定特征对应的权重系数；为每个神经元对应的偏置；e为自然底数，i表示选定特征的序列号；

输出层对隐含层的两个用户特征进行式（1）中的计算，即为第i个用户通过输入层计算得到的值，为第i个用户对应的权重系数；以此计算得到两个用户的相似性；训练时，使用用户品牌购买的Jaccard相似度作为训练拟合目标，公式如下：

其中表示用户u₁和用户u₂的品牌购买相似度；和分别为用户u₁和用户u₂都购买过的品牌；

三）、进行模型训练：

使用与的均方误差作为损失函数，利用梯度下降法对神经网络进行训练，不断进行梯度迭代使损失函数下降到能够确定每个选定特征对应的权重系数和每个神经元对应的偏置的值，从而得到训练好的相似性预测模型；

步骤二：构建协同过滤推荐系统；

一）、根据步骤一中训练好的模型，首先对所有的用户数据进行特征提取，然后，将用户u和用户v的特征输入神经网络进行计算，神经网络输出的结果即为他们未来的购买相似度的预测值；对于n个用户，用户u分别与其他的用户进行相似度预测，然后排序找到与用户u相似度最高的k个用户；

二）获取与目标用户行为相似度最高的前k个用户，对所述k个用户有过用户行为特征行为的品牌产品进行购买预测，即：根据u_j，j=1，...，k，的行为特征和特性特征，预测u_j可能购买的品牌，再将k个用户可能购买的品牌产品的可能性进行排序，获得可能性最高的前m个品牌，将这m个品牌放入推荐列表推荐给用户u；m为自然数，根据对比实验调整设定。

2.如权利要求1所述的基于深度神经网络的电商用户时变特征相似性计算推荐方法，其特征在于，所述用户行为特征包括点击倾向特征、收藏倾向特征、收藏行为时间演化特征、重复购买特征、将会购买特征中的至少一种；所述用户特性特征包括用户点击频率特征、用户收藏频率特征、用户购买频率特征、用户活跃情况特征、用户年龄特征、用户性别特征中的至少一种。

3.如权利要求2所述的基于深度神经网络的电商用户时变特征相似性计算推荐方法，其特征在于，所述用户行为特征包括点击倾向特征、将会购买特征、收藏行为演化特征；所述用户特性特征包括用户购买频率特征、用户收藏频率特征、用户点击频率特征、用户在线时长特征、用户年龄特征、用户性别特征。

4.如权利要求1所述的基于深度神经网络的电商用户时变特征相似性计算推荐方法，其特征在于， k的取值不大于n*0.01。

5.如权利要求1所述的基于深度神经网络的电商用户时变特征相似性计算推荐方法，其特征在于，通过建立购买预测模型获得用户行为特征和用户特性特征中对购买预测影响高于设定阈值的特征作为选定特征；其中购买预测模型为：将用户在未来是否会购买某个品牌看作一个二分类问题，然后分析用户历史数据，获得对这个问题影响的一系列特征，使用特征训练一个机器学习模型，训练好的机器学习模型即对未来是否购买进行分类预测。