[发明专利]一种基于GRU网络的个性化实时推荐方法

权利要求书

1.一种基于GRU网络的个性化实时推荐方法，其特征在于：包括：

步骤S1:根据用户历史行为数据形成用户历史行为物品序列，利用双向GRU模型将推荐问题转换为序列预测问题，输入用户最近一次行为之前的历史K个物品序列；

步骤S2：构建多层GRU神经网络以最大化用户最近一次行为物品概率为目标进行模型训练；

步骤S3：获取用户对物品的历史行为，建立用户行为数据库，根据行为时间序列构建特征数据集；

步骤S4：对有行为的特征数据集构建K个神经元的双向GRU神经网络模型1，用步骤S1的大部分数据作为训练集，剩下的作为测试集，该模型用于已有行为用户的推荐行为的预测；对没有行为用户，用有行为的用户特征和商品构建用户-商品预测模型2；

步骤S5：构建用户行为数据计算模块，用户行为数据计算模块主要针对用户最近一次发生行为的商品量化其对该商品的喜好程度。

步骤S6：将GRU神经网络模型1和GRU神经网络模型2的结果进行整合合并，最后与实时行为计算模块结合，得到最后的推荐结果。

2.根据权利要求1所述的一种基于GRU网络的个性化实时推荐方法，其特征在于：所述步骤S3中，对于没有行为的用户及商品，先通过用户自有属性特征及商品本身特征，构建GRU神经网络预测模型，该用户有购买行为作为该模型的label进行训练。

3.根据权利要求2所述的一种基于GRU网络的个性化实时推荐方法，其特征在于：对于没有行为的用户和商品只需要输入自有特征属性，就能得到相关推荐结果。

4.根据权利要求1所述的一种基于GRU网络的个性化实时推荐方法，其特征在于：步骤S2中，通过改进的双向循环深度神经网络GRU算法，根据打点的用户行为数据，根据时间顺序建立时间序列数据特征来构建GRU神经网络。

5.根据权利要求1所述的一种基于GRU网络的个性化实时推荐方法，其特征在于：通过用户行为数据计算模块，得到现有的行为进行推荐的结果，综合算法离线计算的结果，实时得出推荐结果。

6.根据权利要求1所述的一种基于GRU网络的个性化实时推荐方法，其特征在于：所述步骤S5中，用户实时偏好评分量化包括用户点击次数、浏览时长、收藏行为因素；

用户点击次数：如果用户对该商品进行多次反复点击，则该因素得分越高；

用户浏览时长：如果用户对商品的浏览时长越长，则该因素得分越高；

用户是否收藏：如果用户对该商品有收藏行为，则该元素得分越高；

根据上述三个要素，实时偏好得分＝因素权重*因素的得分。

7.一种电子设备，包括存储器、处理器及存储在储存器上并柯可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于GRU网络的个性化实时推荐方法的步骤。

8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理执行时实现如权利要求1至5项所述基于GRU网络的个性化实时推荐方法的步骤。