[发明专利]一种基于长短期兴趣组合的会话推荐方法及系统

说明书

本发明公开了一种基于长短期兴趣组合的会话推荐方法及系统，方法包括以下步骤：S1、生成与物品对应的表示向量；S2、获取会话中物品序列对应的向量表示序列；S3、获取长期记忆和短期记忆；S4、获取短期兴趣抽象状态特征；S5、获取长期兴趣抽象状态特征；S6、对候选物品进行打分，获取各个候选物品的打分结果；S7、基于各个候选物品的打分结果预测各个候选物品作为该用户下一次点击对象的概率，将概率最大的候选物品作为推荐物品。本发明同时考虑了用户浏览过程中长期兴趣和短期兴趣造成的影响，缓解了用户发生兴趣漂移时，现有基于RNN的模型推荐效果差的问题，可以为用户推荐更适应其偏好的物品，进而提高电子商务的服务质量。

技术领域

本发明涉及电子商务领域，具体涉及一种基于长短期兴趣组合的会话推荐方法及系统。

背景技术

在电子商务系统(如淘宝)中，据浏览器会话机制中记录的用户历史浏览行为为用户做出合理推荐，以提高用户的浏览体验。其目标是根据会话记录中当前用户点击的所有物品集合预测用户下一次可能要点击的物品，进而实际推荐给用户。

用户在实际浏览过程中，通常会以匿名方式访问，因此推荐系统无法持续跟踪同一用户的多次浏览行为，也无法追溯到用户的个人配置信息(如年龄、性别、爱好等)。导致推荐系统难以对某用户生成具体的用户画像，可利用的有效信息非常有限。

现有的推荐方法多引入循环神经网络(recurrent neural network，RNN)机制对会话序列进行建模捕获用户的长期兴趣，但这些方法都没有明确考虑用户当前行为对下一次点击预测的影响，无法及时响应用户当前行为可能带来的结果。同时，在浏览过程中用户的兴趣可能随着浏览到的信息而发生转变，并且这种转变是没有规律的，RNN网络本身难以有效捕捉到实际能表现出用户当前兴趣点的信息，导致模型无法很好的解决兴趣漂移引起的问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于长短期兴趣组合的会话推荐方法及系统缓解了用户发生兴趣漂移时，现有基于RNN的模型推荐效果差的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于长短期兴趣组合的会话推荐方法，其包括以下步骤：

S1、生成物品字典，并为物品字典中的每个物品生成一个一一对应的向量；

S2、依次记录当前会话中每个被同一用户点击的物品，得到物品序列并获取与其相对应的向量表示序列；

S3、将整个向量表示序列中的点击行为信息作为长期记忆，并将整个向量表示序列中最后k个点击行为信息作为短期记忆；

S4、获取短期记忆中的短期兴趣特征，并对短期兴趣特征进行特征抽象，得到短期兴趣抽象状态特征；

S5、基于长期记忆和短期记忆采用注意力网络获取用户的长期兴趣特征，并对长期兴趣特征进行特征抽象，得到长期兴趣抽象状态特征；

S6、根据短期兴趣抽象状态特征和长期兴趣抽象状态特征对候选物品进行打分，获取各个候选物品的打分结果；

S7、基于各个候选物品的打分结果采用softmax函数预测各个候选物品作为该用户下一次点击对象的概率，将概率最大的候选物品作为推荐物品。

进一步地，步骤S1的具体方法为：

生成包含所有物品的物品字典，并为物品字典中的每个物品采用随机初始化的方式生成一个与物品一一对应的d维实数向量。

进一步地，k的取值为1。

进一步地，步骤S4的具体方法为：

将短期记忆中的向量元素作为该用户的短期兴趣特征，根据公式