[发明专利]一种面向差异化场景的服饰推荐系统及方法

权利要求书

1.一种面向差异化场景的服饰推荐系统，其特征在于，包括基于深度学习的第一层神经网络结构和第二层神经网络结构，通过所述第一层神经网络结构，从海量的服饰商品中选取用户可能感兴趣的商品，构成候选推荐集，通过所述第二层神经网络结构，对所述候选推荐集中的商品进行排序，使用户可能最感兴趣的服饰排名靠前；其中，所述第一层神经网络结构和第二层神经网络结构经过深度学习，根据所输入的用户所处场景、用户风格偏好以及服饰舒适度，为用户推荐适合该场景下的服饰商品。

2.如权利要求1所述的面向差异化场景的服饰推荐系统，其特征在于，在所述第二层神经网络结构还获取其他渠道推荐过来的候选推荐集，和所述第一层神经网络结构的候选推荐集融合起来进行排序。

3.如权利要求1或2所述的面向差异化场景的服饰推荐系统，其特征在于，根据用户所处场景的不同，所推荐的服饰商品的风格和舒适度权重占比不同。

4.如权利要求3所述的面向差异化场景的服饰推荐系统，其特征在于，通过DNN和激活函数来进行用户选择的风格与舒适度的融合，以向用户推荐适合该场景下的服饰商品。

5.如权利要求1至4任一项所述的面向差异化场景的服饰推荐系统，其特征在于，基于所述用户所处场景和用户偏好信息，与符合当季潮流穿搭的流行度信息相结合，为用户推荐适合用户所处场景和偏好且当季流行的潮流搭配。

6.如权利要求1至5任一项所述的面向差异化场景的服饰推荐系统，其特征在于，所述第一层神经网络结构包括多层全连接的DNN和ReLU激活函数，其中，将商品id的嵌入、搜索的关键词的嵌入、以及场景的嵌入、地理信息、商品的生命周期信息作为特征送入第一层神经网络中，在训练阶段，网络最后一层的输出经过softmax之后得到最有可能购买的商品预测值，与用户实际上购买的下一件商品进行比较，并求损失，在线上推荐服务阶段，直接使用softmax之前的特征向量作为该用户的隐向量，使用近似最近邻的方法，找出与该隐向量最接近的若干条隐向量代表的商品，作为所述候选集。

7.如权利要求1至6任一项所述的面向差异化场景的服饰推荐系统，其特征在于，所述第二层神经网络结构包括多层全连接的DNN和ReLU激活函数，在排序阶段，对于待求排序分数的商品i，将该商品的嵌入、整个候选集所有商品的嵌入的均值、场景的嵌入、以及地理位置信息作为特征送入所述第二层神经网络结构，在训练阶段，网络的首部是一个逻辑回归，用来学习通过回归得到的每个商品的排序分数，在线上推荐服务阶段，网络直接输出商品i的分数，依据此分数对商品排序，并选择排名靠前的商品进行推荐。

8.一种面向差异化场景的服饰推荐方法，其特征在于，构建并使用如权利要求1至7任一项所述的服饰推荐系统对用户提供面向差异化场景的服饰推荐。