[发明专利]推荐方法及装置

说明书

技术领域

本发明涉及大数据领域，特别是涉及一种推荐方法及装置。

背景技术

随着电子商务的发展，越来越多的人利用电子商务平台进行商品的购买，在购买过程中，电子商务平台通常会对用户进行推荐，以提高用户的购买体验。目前的推荐算法主要有基于人口统计学的推荐、基于内容的推荐、协同过滤推荐等，其中，协同过滤算法有基于领域的方法（基于记忆的方法）、隐语义模型、基于图的随机游走算法等。

当用户数和商品数达到一定数目时，目前的推荐算法都会有严重的可扩展性问题，推荐的实效性较差，且推荐算法通常只基于用户浏览行为进行推荐，推荐所基于的数据单一，推荐的准确性较差。如何避免推荐算法的可扩展性问题，提高推荐的实效性及准确性，是目前提高用户购买体验亟待解决的问题之一。

发明内容

本发明主要解决的技术问题是提供一种推荐方法及装置，可解决协同过滤算法扩展性差的问题，提高推荐的实效性和准确性。

为解决上述技术问题，本发明提供一种推荐方法，包括以下步骤：获取用户信息，用户信息包括浏览记录和聊天记录；提取用户信息中的商品信息；将商品信息通过预先训练的循环神经网络的处理形成商品评分；计算商品评分与商品评分库里的商品评分的相似度；根据相似度进行商品推荐。

其中，商品信息包括以下一种或多种：商品购买信息、商品收藏信息、商品分享信息、商品评论信息。

其中，预先训练的循环神经网络是以商品信息为输入、商品评分为输出的循环神经网络。

其中，商品评分库是将用户信息中的商品信息通过预先训练的循环神经网络的处理形成的商品评分库。

其中，商品推荐为手表信息的推荐。

为解决上述技术问题，本发明提供一种推荐装置，包括：获取模块，用于获取用户信息，用户信息包括浏览记录和聊天记录；提取模块，用于提取用户信息中的商品信息；处理模块，用于将商品信息通过预先训练的循环神经网络的处理形成商品评分；计算模块，用于计算商品评分与商品评分库里的商品评分的相似度；推荐模块，用于根据相似度进行商品推荐。

其中，商品信息包括以下一种或多种：商品购买信息、商品收藏信息、商品分享信息、商品评论信息。

其中，预先训练的循环神经网络是以商品信息为输入、商品评分为输出的循环神经网络。

其中，商品评分库是将用户信息中的商品信息通过预先训练的循环神经网络的处理形成的商品评分库。

其中，商品推荐为手表信息的推荐。

本发明的有益效果是：区别于现有技术的情况，本发明的推荐方法的具体过程为：首先获取用户信息，该用户信息包括浏览记录和聊天记录，并提取该用户信息中的商品信息，然后将提取的商品信息通过预先训练的循环神经网络的处理形成商品评分，计算该商品评分与商品评分库里的商品评分的相似度，最后根据相似度进行商品推荐。其中，相似度的计算和商品推荐采用基于商品的协同过滤算法。通过上述方式，循环神经网络和协同过滤算法相结合，可解决协同过滤算法扩展性差的问题，提高推荐的实效性，且对于循环神经网络，对其权值进行人工适当调节，可进一步提高推荐的实效性。在推荐过程中，基于的用户信息包括浏览记录和聊天记录，大量的数据可提高推荐的准确性。

附图说明

图1是本发明推荐方法一实施例的流程示意图；

图2是本发明推荐装置一实施例的结构示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

请参阅图1，图1是本发明推荐方法一实施例的流程示意图，如图1所示，包括以下步骤：

S11，获取用户信息，用户信息包括浏览记录和聊天记录。

本实施例方法由商品交易平台实现，当用户使用该平台时，对用户进行商品推荐。在推荐过程中，首先获取用户的信息，用户信息为用户在互联网上的信息，如浏览记录、聊天记录等。

S12，提取用户信息中的商品信息。

对于用户信息，需提取其中的商品信息，其中，商品信息包括以下一种或多种：商品购买信息、商品收藏信息、商品分享信息、商品评论信息。对于商品信息，还可以包括其他内容，这里不进行限定。

S13，将商品信息通过预先训练的循环神经网络的处理形成商品评分。

深度学习（Deep Learning）是机器学习中一个非常接近人工智能的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。而神经网络是对人脑神经工作的一种简化生物模型，模拟人脑对神经元之间的联系和强度的调节过程。