[发明专利]一种基于时间序列性的个性化推荐方法

说明书

本发明公开了推荐方法领域的一种基于时间序列性的个性化推荐方法，包括以下具体步骤：S1：数据处理，把用户长时间浏览某个商品的时间段，按照设定的每个周期的时间切割成若干个session,跟用户多次浏览改商品产生同样的统计效果；S2：协同过滤CF召回；S3：GRU结合KNN，KNN统计出与某个session最相近的K个session，通过在所有历史session中查找含有此session中的商品，做交集运算；S4：统计用户长期的数据，挖掘用户行为周期性特征；S5：统计商品特征与环境特征；S6：结合统计好的用户长短期CTR/CVR进行推荐，把某一次点击切割成若干个片段，增加到样本集，使推荐效果更加准确，GRU结合KNN数据增强，召回，用户，商品以及环境特征结合技术的融入提升整个方法的运行效率以及效果。

技术领域

本发明涉及推荐方法技术领域，具体为一种基于时间序列性的个性化推荐方法。

背景技术

传统的推荐方法只基于用户一般的特性，没有考虑到用户行为的时间顺序性，并且现有推荐方法通常统计一个session内的用户行为，如点击，浏览，转发，购买等，没有考虑一个session或者某种行为持续的时间，尤其在浏览行为上，这样导致损失一部分偏好信息。

基于此，本发明设计了一种基于时间序列性的个性化推荐方法，加入了GRU一种记忆神经网络挖掘用户特征，并结合KNN统计与某个sessionK个最相近session的用户行为，取得最好的效果，以解决上述提到的问题。

发明内容

本发明的目的在于提供一种基于时间序列性的个性化推荐方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于时间序列性的个性化推荐方法，包括以下具体步骤：

S1：数据处理，把用户长时间浏览某个商品的时间段，按照设定的每个周期的时间切割成若干个session,跟用户多次浏览改商品产生同样的统计效果；

S2：协同过滤CF召回，缩小待选范围；

S3：GRU结合KNN，KNN统计出与某个session最相近的K个session，通过在所有历史session中查找含有此session中的商品，做交集运算；

S4：统计用户长期的数据，挖掘用户行为周期性特征；

S5：统计商品特征与环境特征；

S6：结合统计好的用户长期特征与短期特征以及商品特征与环境特征来做CTR/CVR进行商品推荐。

优选的，一个所述session采用传统session-based推荐默认用户每一次点击行为。

优选的，每个所述session的参数输出基于上一个session的特征值。

优选的，实现所述协同过滤CF包括以下步骤：

收集用户偏好；

找到相似的用户或者物品；

计算推荐。

优选的，所述GRU是一种RNN的特例，是一种有记忆的神经网络。

优选的，每个所述item输出一个参数用来筛选备推荐item：

score_knn(i，s)＝∑_n∈Nssim(s，n)×1_n(i)。

与现有技术相比，本发明的有益效果是：

1、引进GRU网络为此算法模型的一个单元，并结合KNN，寻找用户K个最相近的session，GRU结合KNN取得最好的效果。