[发明专利]基于特征融合的重复性商品信息推荐方法及电子设备

说明书

本发明公开了一种基于特征融合的重复性商品信息推荐方法，包括：定义重复性购物规则；定义商品的形状参数，基于所述重复性购物规则，利用威布尔函数建模，得到重复性商品购物周期；基于所述重复性商品购物周期，得到商品的存活函数和危险函数的关系；融合用户的历史购物行为，通过时序模型建模所述形状参数的时序变化，得到重新定义的形状参数；基于所述重新定义的形状参数，改变所述存活函数的计算方式，得到重新定义的危险函数和约束方程；根据训练集挖掘的重复模式构建目标函数，优化所述目标函数，得到预测模型；使用所述预测模型对用户重复性购物行为进行预测，得到预测结果，依据所述预测结果进行商品信息推荐。

技术领域

本发明涉及人工智能领域，特别是指一种基于特征融合的重复性商品信息推荐方法及电子设备。

背景技术

推荐系统属于资讯过滤的一种应用，推荐系统首先收集用户的历史行为数据，然后通过预处理的方法得到用户评价矩阵，再利用机器学习领域中相关推荐技术形成对用户的个性化推荐，商品信息推荐系统在电商领域具有广泛的应用。

用户的重复性消费数据是商品信息推荐系统重要的数据之一，购物场景中，用户的静态偏好和购买的产品之间的短期交互影响是两种影响用户重复性行为的关键因素。不同的用户对于同一种产品存在不同的使用时限，而该商品的使用时间也会受到其他购买的商品的影响。传统的推荐工作往往人工的去挖掘、定义不同的特征来对下一时刻用户购买的商品进行预测和推荐，这种方式耗时耗力，挖掘的特征往往不适合最终的推荐任务，此外，这些工作往往假设这些特征是静态的，忽略了用户动态的购物时序信息(购物过程不断买入其他商品的行为)对于预测任务的影响。

发明内容

有鉴于此，本发明的目的在于提出一种能自动挖掘、定义特征并将静态特征和用户的动态购物时序信息融合，对用户购买的商品做预测并根据该预测结果对用户进行商品信息推荐的方法及电子设备。

基于上述目的，本发明提供了一种基于特征融合的重复性商品信息推荐方法，包括：

定义捕获重复性购物行为的重复性购物规则；

定义商品的形状参数，基于所述重复性购物规则，利用威布尔函数建模，得到重复性商品购物周期；

基于所述重复性商品购物周期，得到商品的存活函数和危险函数的关系；

融合用户的历史购物行为，通过时序模型建模所述形状参数的时序变化，得到重新定义的形状参数；

基于所述重新定义的形状参数，改变所述存活函数的计算方式，得到重新定义的危险函数和约束方程；

基于所述重新定义的危险函数和所述约束方程，根据训练集挖掘的重复模式构建目标函数，优化所述目标函数，得到预测模型；

使用所述预测模型对用户重复性购物行为进行预测，得到预测结果，依据所述预测结果进行商品信息推荐。

在一些实施方式中，所述重复性购物规则为：

定义1：对于用户u，给定商品集合I＝{i₁,i₂…}，定义所述用户u的购物历史为：

其中表示用户u第n笔交易购买的商品集合，代表用户购买的时间，则定义重复消费模式为如下的格式：

表示用户u在t_s时刻和t_e时刻购买了商品i，并且在t_s和t_e之间没有购买i。

在一些实施方式中，所述重复性商品购物周期为：