[发明专利]一种个性化商品推荐方法和系统

说明书

本发明公开一种个性化商品推荐方法和系统，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第一训练样本；基于余弦相似度方法得到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；输出模型预测出的用户感兴趣的商品列表。本发明有效地利用用户历史行为中商品的时序信息，使历史行为中的商品在推荐系统计算中根据其交互行为发生的时间顺序而具有不同的权重值，商品影响因子体现了商品的全局特征及该用户对该商品的兴趣程度，有效增加深度学习模型获取到的特征量，有效提升对冷启动用户的个性化推荐效果。

技术领域

本发明涉及的是一种个性化商品推荐方法和系统，属于推荐技术领域。

背景技术

随着互联网的普及和电子商务的快速发展，越来越多的用户通过电子商务平台浏览和购买商品。电子商务平台中商品种类繁多，若没有个性化推荐引擎的帮助，很难将用户感兴趣的商品准确地推荐给用户。

当前的电子商务平台采用的个性化推荐方法的主流方法之一：协同过滤方法，通过找寻与当前用户的历史浏览或购买行为相近的用户，将行为相似的用户感兴趣的商品推荐给当前用户。基于协同过滤的个性化推荐方法对于当前用户的所有历史浏览或购买的商品，在计算与其他商品的相似度时给予同样的权重，例如当前用户在十天前浏览的商品甲，在一小时前浏览了商品乙，在协同过滤方法中商品甲和商品乙对计算当前用户感兴趣商品时所发挥的作用是相同的。但从经验来看，一小时前浏览的商品乙往往比十天前浏览的商品甲对当前的个性化商品推荐的参考价值更大，因此基于协同过滤的个性化推荐方法不能体现出历史行为中不同顺序的商品在当前个性化推荐中的权重差别导致推荐效果不够准确。此外，在用户历史浏览或购买数据太少时协同过滤算法的效果不佳，即存在冷启动问题。

主流方法之二：基于递归神经网络的方法，通过将用户的历史行为依次输入递归神经网络中来进行训练和预测用户感兴趣的商品。该方法可以利用用户历史行为中的商品时序特征，因此在训练样本充足和递归神经网络参数调节合适的情况下，效果普遍优于协同过滤算法。基于递归神经网络的个性化推荐方法在用户历史行为数据较少的情况下，由于可用于递归网络预测兴趣度的历史浏览或购买商品数据太少，故存在冷启动问题。

上述两种方法均存在冷启动问题，即当可获取的用户历史操作记录较少时不能很好地推荐商品，影响了用户体验。冷启动问题是个性化推荐领域存在的普遍问题，由于所掌握的当前待推荐的用户的历史行为数据太少，难以准确地为用户提供其可能感兴趣的商品。

现有方案中关于冷启动问题的主要解决方法之一：基于用户信息的方法，根据用户的年龄、性别、居住地等基本信息进行推荐。但是，由于部分用户可能不会填写详细的个人信息，导致推荐系统所能获取的用户信息有限。且根据用户性别、年龄等信息所做的推荐只能代表该用户群的普遍兴趣，不是针对该用户的个性化推荐。

现有方案中关于冷启动问题的主要解决方法之二：基于标签选择的方法，在用户首次注册使用时提供多种分类标签供用户选择，在用户行为数据不足的情况下将用户选择的标签分类下的商品推荐给用户。基于标签选择的方法存在的问题是：部分用户可能不会在使用之初填写分类标签，很可能选择“跳过该步骤”或随意选择，导致所选标签并不能真正代表用户兴趣。且用户感兴趣的商品可能随时间可改变，故原本选择的兴趣标签会与当前感兴趣商品之间存在较大差别，例如某用户在夏天时感兴趣商品可能为“防晒霜”，冬天则变化成“羽绒服”，若按用户原本选择标签进行推荐则会产生很大偏差。此外，由于商品种类多种多样，标签不能完全覆盖所有商品特征。

发明内容