[发明专利]用于使用分层贝叶斯的个性化产品推荐的系统及方法

说明书

一种用于产品推荐的方法及系统。该方法包括：由计算设备定义具有潜在因素的分层贝叶斯模型；由计算设备使用多个训练事件来训练分层贝叶斯模型，以获得经训练的分层贝叶斯模型，每个事件包括产品的特征、产品的品牌、用户的特征、以及用户对于产品的动作；由计算设备使用经训练的分层贝叶斯模型来预测目标用户执行关于目标产品的动作的概率；以及基于所述概率向目标用户提供产品推荐。

交叉引用

在本公开的描述中引用和讨论了一些参考文献，其可包括专利、专利申请和各种出版物。提供对这些参考文献的引用和/或讨论仅仅是为了阐明本公开的描述，而不是承认任何这样的参考文献是本文所述公开的“现有技术”。本说明书中引用和讨论的所有参考文献均以引用的方式整体并入本文，其程度如同每篇参考文献被单独并入作为参考。

技术领域

本公开总体涉及个性化和准确的产品推荐，并且更具体地涉及用于使用多层贝叶斯模型的服装产品推荐的系统及方法。

背景技术

本文提供的背景描述用于总体呈现本公开的上下文的目的。在本背景技术部分中描述的范围内目前指定的发明人的工作以及在提交时可能另外不具有资格作为现有技术的描述的各方面，既不明示也不暗示地被承认为本公开的现有技术。

电子商务已经经历多年的超增长，可以获得用于向目标用户提供特定产品推荐的多种推荐方法，以增加电子商务平台的销量。最受好评的推荐算法采用扁平分层结构或忽略分层。扁平分层结构不仅增大整个特征空间，还在训练推荐模型时引入噪声。但是完全忽略分层导致推荐不准确。

因此，在本领域中存在要解决上述缺陷和不足的未决需求。

发明内容

在某些方面，本公开涉及一种用于产品推荐的方法。在某些实施例中，所述方法包括：

由计算设备定义具有潜在因素的分层贝叶斯模型；

由所述计算设备使用多个训练事件来训练所述分层贝叶斯模型，以获得经训练的分层贝叶斯模型，每个事件包括产品的特征、产品的品牌、用户的特征、以及用户对于产品的动作；

由所述计算设备使用所述经训练的分层贝叶斯模型来预测目标用户执行关于目标产品的动作的概率；以及

基于所述概率向所述目标用户提供产品推荐。

在某些实施例中，定义所述分层贝叶斯模型的步骤是通过以下操作执行的：

将事件t定义为四元组(X_t，b_t，u_t，y_t)，其中，X_t表示事件t的与产品相关联的特征，b_t是所述产品的品牌，u_t是与事件t相关联的用户，以及y_t是与事件t相关联的用户动作的概率；

定义超参数α_w、β_w、α_s、β_s、α_b、β_b、α_u、β_u和γ，其中，在所述分层贝叶斯模型的初始化期间，α_w＝β_w＝α_s＝β_s＝α_b＝β_b＝α_u＝β_u＝0，γ＝1/S，以及S是预先确定的样式总数；