[发明专利]一种基于商品知识图谱特征学习的推荐方法及系统

说明书

本发明公开了一种基于商品知识图谱特征学习的推荐方法及系统，构建关联商品知识图谱，用于解决商品推荐的重复率高和准确率低的问题。本发明提供的方法包括电商平台商品信息的智能获取；商品信息清洗，商品实体和关系智能提取，商品知识图谱构建；利用商品分类结合商品搭配模型对商品知识图谱中的实体进行融合，构建关联商品知识图谱；根据用户的历史购买记录确定待匹配商品实体，连接关联商品知识图谱，进行商品特征学习，降维得到商品实体和关系向量；计算知识图谱匹配到的商品间相关度，对相关度进行排序之后进行商品推荐。本发明通过关联商品知识图谱构建、更新，以及特征学习方法，构建商品推荐系统，实现商品推荐命中率准确率的大幅度提升。

技术领域

本发明涉及计算机软件技术领域，尤其涉及一种基于商品知识图谱特征学习的推荐方法及系统。

背景技术

知识图谱是一种基于图的数据结构，由节点和边组成.在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”，知识图谱是关系的最有效表示方式，并且能够融合多源异构信息.知识图谱表示学习能够将知识图谱嵌入到一个低维空间，可以利用连续数值的向量反映知识图谱的结构特征，这种方法可以高效地计算实体间的关系。

随着电子商务的兴起，电商平台在商品销售领域中占有非常重要的地位。电商平台在商品销售领域中占据非常重要的地位。电商平台相对于传统实体商店具备一个明显优点就是同时展示、销售的商品种类不受限制，但同时，由于电商平台上可选择的商品过多，常常也会给用户在寻找商品时带来烦恼。为此，很多电商平台会主动向用户推荐商品，用户若对推荐的商品感兴趣，便可快速进入购买环节，不仅为用户提供了购物便利，而且增加了电商平台的销售业绩。

目前，商品推荐的方法一般是通过用户历史搜索过的关键词或商品信息在电商平台的数据库中检索，把检索到的商品作为推荐商品推荐给用户。然而，电商平台使用的检索服务一般是基于商品的分类搭建的，这样容易导致最后推荐给用户的商品仅仅是该用户以往购买过的商品，对于普通用户来说再次购买这些商品的可能性较低，使得商品推荐的精确度和成功率较低。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于商品知识图谱特征学习的推荐方法及系统，以解决现有技术的不足。

为实现上述目的，本发明提供了一种基于商品知识图谱特征学习的推荐方法，包括以下步骤：

S101、对电商网站商品数据采集与清洗，提取商品实体和关系，构建商品知识图谱；

S102、创建商品搭配模型，将构建好的商品知识图谱融合商品搭配模型，生成关联商品知识图谱；

S103、提取关联商品知识图谱特征，使用知识图谱特征学习算法进行学习从而得到基于商品推荐主题的实体和关系向量；

S104、构建推荐模型，通过向量的余弦相似度来计算商品实体之间的相关性，从而根据结果对用户进行商品推荐。

进一步地，所述步骤S101中对电商网站商品数据采集与清洗，提取商品实体和关系，构建商品知识图谱具体为：对电商网站商品数据采集，包括商品的名称、销量、分类、价格、评价；对电商网站商品数据进行清洗为：根据商品的名称和评论进行分词，建立专有词字典，对上述分词结果提取关键词，从关键词里找实体商品和关系，建立商品三元组商品A,关系，商品A的属性，生成csv表格，导入到neo4j中生成原始商品知识图谱。

进一步地，所述步骤S102中创建商品搭配模型，将构建好的商品知识图谱融合商品搭配模型，生成关联商品知识图谱，具体为：

201、根据网站中的商品分类构建商品搭配模型；

202、根据商品间关联度的高低，设置相应的权重值；

203、根据用户购买情况和商品促销情况及时更新商品之间的权重值；