[发明专利]一种个性化商品推荐方法和系统

权利要求书

1.一种个性化商品推荐方法，其特征在于，该方法包括：

获取预设时间段内多个用户的历史行为数据，按照预定规则整理后得到的行为数据按时间顺序排序得到第一训练样本；

利用整理后的历史行为数据，基于余弦相似度方法计算出每个用户的历史行为数据中每个商品对应的影响因子作为第二训练样本；

将第一训练样本和第二训练样本作为深度学习模型的训练样本进行训练，得到已训练的深度学习模型；

将预推荐用户的第一训练样本和第二训练样本输入到已训练的深度学习模型中，输出模型预测出的用户感兴趣的商品列表，按照商品列表中的商品顺序推荐给预推荐用户；

所述基于余弦相似度方法计算出每个用户的历史行为数据中每个商品对应的影响因子的具体步骤包括：

基于余弦相似度方法计算得到特定商品的N维向量后对该向量进行最大值归一化，使向量中每个数值均在[0,1]之间，N维向量即为商品对应的影响因子，N为预处理后的历史行为数据中商品的总数量或预先从预处理后的历史行为数据中通过某些规则筛选后的候选商品数量，商品对应的N维向量表示的影响因子中的第i个数的值Value_i的具体计算方法包括：

其中，Count(特定商品第i个商品)代表特定商品和第i个商品共同出现在预处理后的历史行为数据中的次数，i≥1且i≤N，Count(特定商品)代表特定商品在按照预定规则整理后的历史行为数据中的交互总次数，Count(第i个商品)代表第i个商品在按照预定规则整理后的历史行为数据中的交互总次数，Max(Values)代表每个用户的历史行为数据中所有商品对应的影响因子中的最大值。

2.如权利要求1所述的方法，其特征在于，所述按照预定规则整理后得到第一训练样本的步骤包括：

基于获取的预设时间段内多个用户的历史行为数据，筛选出特定类别的交互行为数据；

将特定类别的交互行为数据中的信息转化为唯一编号形式存储；

将特定类别的交互行为数据中的每个用户的交互行为数据按时间顺序排序。

3.如权利要求1所述的方法，其特征在于，所述深度学习模型包括递归神经网络模型。

4.如权利要求1所述的方法，其特征在于，所述按照商品列表中的商品顺序推荐给预推荐用户，包括：

按照商品列表中预测的商品兴趣度从高到低的顺序将排在前若干名的商品推荐给预推荐用户。

5.一种个性化商品推荐系统，其特征在于，包括：

获取模块，用于获取预设时间段内多个用户的历史行为数据，按照预定规则整理后得到的行为数据按时间顺序排序得到第一训练样本；

计算模块，用于利用整理后的历史行为数据，基于余弦相似度方法计算出每个用户的历史行为数据中每个商品对应的影响因子作为第二训练样本；

训练模块，用于将第一训练样本和第二训练样本作为深度学习模型的训练样本进行训练，得到已训练的深度学习模型；

推荐模块，用于将预推荐用户的第一训练样本和第二训练样本输入到已训练的深度学习模型中，输出模型预测出的用户感兴趣的商品列表，按照商品列表中的商品顺序推荐给预推荐用户；

所述计算模块，包括：

计算单元，用于基于余弦相似度方法计算得到特定商品的N维向量后对该向量进行最大值归一化，使向量中每个数值均在[0,1]之间，N维向量即为商品对应的影响因子，N为预处理后的历史行为数据中商品的总数量或预先从预处理后的历史行为数据中通过某些规则筛选后的候选商品数量，商品对应的N维向量表示的影响因子中的第i个数的值Value_i的具体计算方法包括：

其中，Count(特定商品第i个商品)代表特定商品和第i个商品共同出现在预处理后的历史行为数据中的次数，i≥1且i≤N，Count(特定商品)代表特定商品在按照预定规则整理后的历史行为数据中的交互总次数，Count(第i个商品)代表第i个商品在按照预定规则整理后的历史行为数据中的交互总次数，Max(Values)代表每个用户的历史行为数据中所有商品对应的影响因子中的最大值。