[发明专利]一种基于多平台的社交电商网站商品推荐方法及装置

权利要求书

1.一种基于多平台的社交电商网站商品推荐方法，其特征在于，包括：

获取普通电商平台用户商品交互行为数据、社交电商平台用户商品交互行为数据和社交电商平台用户社交关系数据；

将所述普通电商平台用户商品交互行为数据、社交电商平台用户商品交互行为数据和社交电商平台用户社交关系数据输入预设社交-普通电商平台融合模型，得到商品个性化推荐信息；

其中，所述预设社交-普通电商平台融合模型是通过带有交互标签的用户商品样本数据训练得到的。

2.根据权利要求1所述基于多平台的社交电商网站商品推荐方法，其特征在于，在所述将所述普通电商平台用户商品交互行为数据、社交电商平台用户商品交互行为数据和社交电商平台用户社交关系数据输入预设社交-普通电商平台融合模型的步骤之前，所述方法还包括：

获取带交互标签的用户商品样本数据；

从未观测样本集中随机获取带未交互标签的用户商品样本数据，根据所述带交互标签的用户商品样本数据和未交互标签的用户商品样本数据构建正负样本对信息；

将所述正负样本对信息输入社交-普通电商平台融合模型进行训练，当满足预设训练条件时，结束训练，得到预设社交-普通电商平台融合模型。

3.根据权利要求2所述基于多平台的社交电商网站商品推荐方法，其特征在于，所述将所述正负样本对信息输入社交-普通电商平台融合模型进行训练的步骤之前，所述方法还包括：

获取普通电商推荐模型损失函数和社交电商推荐模型损失函数；

根据所述普通电商推荐模型损失函数和社交电商推荐模型损失函数构建融合模型损失函数；

根据所述融合模型损失函数得到社交-普通电商平台融合模型。

4.根据权利要求3所述基于多平台的社交电商网站商品推荐方法，其特征在于，所述融合模型损失函数具体为：

L＝L^(A)+L^(T)

其中，表示用户u与商品i是否存在交互，表示用户u与商品i的交互对是否被选择用于训练的损失函数中，λ_S为社交正则项的系数。

5.根据权利要求4所述基于多平台的社交电商网站商品推荐方法，其特征在于，所述根据所述融合模型损失函数得到社交-普通电商平台融合模型的步骤具体包括：

获取带交互标签的用户商品样本数据和未交互标签的用户商品样本数据构建正负样本对信息；

通过带交互标签的用户商品样本数据和未交互标签的用户商品样本数据构建正负样本对信息通过梯度随机下降的方法训练融合模型损失函数参数，当满足预设训练条件时，所述融合模型损失函数稳定，从而根据所述融合模型损失函数得到社交-普通电商平台融合模型。

6.一种基于多平台的社交电商网站商品推荐装置，其特征在于，包括：

获取模块，用于获取普通电商平台用户商品交互行为数据、社交电商平台用户商品交互行为数据和社交电商平台用户社交关系数据；

推荐模块，用于将所述普通电商平台用户商品交互行为数据、社交电商平台用户商品交互行为数据和社交电商平台用户社交关系数据输入预设社交-普通电商平台融合模型，得到商品个性化推荐信息；

其中，所述预设社交-普通电商平台融合模型是通过带有交互标签的用户商品样本数据训练得到的。

7.根据权利要求6所述基于多平台的社交电商网站商品推荐装置，其特征在于，所述装置还包括预处理模块；

所述预处理模块用于获取带交互标签的用户商品样本数据；

从未观测样本集中随机获取带未交互标签的用户商品样本数据，根据所述带交互标签的用户商品样本数据和未交互标签的用户商品样本数据构建正负样本对信息；

将所述正负样本对信息输入社交-普通电商平台融合模型，当满足预设训练条件时，结束训练，输出商品个性化推荐信息，得到预设社交-普通电商平台融合模型。