[发明专利]基于用户记忆网络和树形结构的深度模型的个性化推荐系统

说明书

本发明公开了一种基于用户记忆网络和树形结构的深度模型的个性化推荐系统，其特征在于：用户记忆模块、商品本体模块以及预测模块。其中，用户记忆模块用来捕获用户的历史数据；所述的用户记忆模块是由基于语境化的长短记忆网络框架所构成的，该模块通过短期记忆和长期记忆两个部分来捕捉用户的兴趣动态。短期记忆用来捕捉用户近期购买商品的记录，并通过这些记录，得到一个用户的短期记忆映射；长期记忆会根据用户的长期购买习惯，依据该用户的大量购买记录总结出用户感兴趣的商品的特征，并记录下来，并通过这些记录得到一个用户的长期记忆映射。商品本体模块通过每个商品之间的关联信息以及用户的历史购买记录，得到商品的映射信息；预测模块将会结合用户记忆模块和商品本体模块的输出的短期记忆映射、长期记忆映射以及商品映射进行最终的推荐预测。

技术领域

本发明涉及电子商务领域，尤其涉及的是一种通过对用户历史购买记录进行挖掘并预测客户购物意图的个性化推荐系统。

背景技术

我们今天所面对的数据有90％是在过去的两年当中所产生的，面对着海量的数据增长，对于互联网用户来说，无疑意味着可以获得更多的信息，人们逐渐的从信息匮乏时代步入了信息过载时代。在这个时代当中，无论作为信息的生产者还是作为信息的消费者，都会面临海量数据所带来的巨大的挑战。首先，就信息的消费者而言，也就是互联网的用户们，他们会发现，在大量的信息当中去寻找到自己感兴趣的信息将会变成一件越来越难的事情。而对于信息的生产者来说，如何让自己受到广大用户的关注，使自己所生产出来的信息在众多的信息当中可以脱颖而出，也同样是一件巨大的挑战。

推荐系统就是解决这类问题的关键工具，其主要任务就是连接用户和信息，一方面帮助用户寻找到自己感兴趣的并且有价值的信息；另一方面，也帮助信息生产者可以顺利的将他们产生出来的信息展现在对它感兴趣的用户面前，从而达到用户同信息生产者在海量数据面前的双赢。作为一项关键技术，推荐系统已经被各类内容供应商所广泛采用。其中，个性化推荐可以根据每个用户自身不同的兴趣为其量身定制相关的推荐，在实际的应用当中，个性化推荐已经被证实在淘宝、YouTube、Netflix、亚马逊等许多行业都行之有效。与此同时，对于各大信息生产者而言，推荐系统也成为他们的重要战略规划以及发展方向，例如阿里巴巴就将商品推荐以及定向广告列为淘宝的核心业务之一。

通过调查发现，我们现在用的大多数应用当中，用户的当前所感兴趣的信息基本都和他们的历史行为或者历史记录息息相关。例如，当某个用户在购买一台智能手机之后，如果他还想去购买一些智能手机的相关配件或者耳机的时候，该用户有很大的可能性会继续选择购买同样品牌的产品。同样，当某个用户在购买了某个品牌的服装后，如果他对该品牌有着非常好的体验的话，在后续的消费过程中，他继续选择该品牌的概率就会大大提高。

为了对这种现象进行建模，目前已经提出的方法主要有：1.利用用户的历史记录对其进行顺序推荐。例如，采用马尔科夫链来模拟用户的行为序列，并使用递归神经网络(RNN)嵌入该用户之前的购买产品以用于当前的兴趣预测。2.在工业界，为了减少计算量从而可以从容地处理庞大的数据量，通常会使用协同过滤方法，该方法旨在通过考虑相似用户的偏好或着相似项目的内容来进行个性化推荐的。3.近几年，一些基于模型的方法在许多的推荐系统当中被广泛的使用，这些方法以每个用户和商品之间的交互分数为学习模型进行预测推荐，具有代表性的算法包括基于矩阵分解的方法和深度学习模型。虽然现有的解决方案取得了一定的成效，但是依然存在着急需改进的地方。具体包括以下几个方面的问题：1.现有的一些方法大都倾向于在顺序推荐的过程中，将用户的历史记录都压缩至一个固定的隐藏表达当中，这样做的缺陷是在顺序推荐的过程当中，会削弱那些具有高度相关的商品之间的关联性，或者忽视掉一些信号，使得我们很难去理解或者解释顺序推荐过程。2.由于协同过滤方法仅仅考虑相似的用户或者商品，因此，会导致推荐结果缺乏可了解性以及多样性。3.尽管基于模型的方法被认为能够提供更见精准的推荐结果，但是，当用户和商品的数量大到一定程度的时候，想要很好并且很稳定的训练这些数据就成了重要的挑战。

发明内容