[发明专利]一种基于深度学习的商品序列推荐方法

说明书

本发明公开了一种基于深度学习的商品序列推荐方法，包括以下步骤：步骤1：获取公开的用户购买商品序列，对其进行预处理，得到商品名及商品的元数据；步骤2：将商品名和元数据作为输入，输送至设计的序列推荐模型中，得到预训练模型，所述预训练模型分为输入层、编码层、多层感知机层和映射层；步骤3：在预训练模型的输出层上选择合适的输出作为当前序列的表示，进一步计算得到推荐商品列表，本方法考虑了日常购物商品的双向影响，采用的是编码器‑解码器结构，能对商品序列进行双向建模，编码信息获取优于单向模型，能优化最终推荐内容。

技术领域

本发明涉及故障处理技术领域，特别是一种基于深度学习的商品序列推荐方法。

背景技术

随着电子商务平台的不断发展，商品数量正在呈现指数级别的增长；商品规模的扩大，一方面提高了满足用户不同需求的可能性，但另一方面也加剧了用户从海量商品中定位有效商品的时间成本。在淘宝、亚马逊等电子商务平台内有着亿万级别的商品，用户往往需要花费大量的时间去搜索自己感兴趣的商品。用户在网购时通常只对少数的商品感兴趣，而大量无关的冗余商品严重地影响了用户正常搜寻自己感兴趣的商品。出于时间和资源等方面的限制，用户希望能够从电子商务平台中高效地搜寻自己想要的商品。日常的购物往往具有连贯性，物品之间相互影响，序列推荐方法能更加实时为用户购买提供便利。

基于深度学习的序列推荐方法通常分为：

1、基于循环神经网络的序列推荐方法。基于RNN的序列推荐方法试图通过给定的用户-商品交互建立一个序列依赖关系，以此预测接下来可能的交互。将上一时刻的商品编码信息作为输入，以此来预测下一时刻提供的商品。

2、基于卷积神经网络的序列推荐方法。基于CNN的序列推荐方法不同于上述方法，首先给定一个用户-商品交互的顺序，卷积神经网络将所有交互嵌入到矩阵中，接着在时间和潜在空间中将此矩阵视为一张图片。然后卷积神经网络学习这个序列模式并将最后的隐层输出最为这张图片的本地特征，最后使用卷积过滤以便后续的推荐。

3、基于图神经网络的序列推荐方法。基于图神经网络的推荐方法主要是利用图神经网络去捕获序列中复杂的用户-商品交互的转换。当每一个序列被映射到路径上时，有向图首先建立在序列数据之上，并将每一个交互作为图中的一个节点，然后，在图上学习用户或商品的嵌入以作出相应的推荐方案。

注意力机制起源于计算机视觉，其想法是模拟人类的关注焦点，即反馈给我们主要信息的区域往往只占一小部分。而将注意力机制运用到商品建模中，能够自动的生成两两商品之间的权重关系，无视商品序列的长度，解决了基于RNN的推荐方法的权重消失问题。单向模型限制了历史序列中隐式表示形式的能力，只能从前面的编码获取信息，而这并不总是符合现实中的用户行为。由于种种原因，用户的购物选择并不遵循严格的顺序假设。双向解码器-编码器结构保证了序列的双向建模，能更贴切实际的对商品序列进行建模。

Balázs Hidasi等人提出GRU4Rec，他们认为传统序列化推荐方法只考虑了用户的最近的行为，没有使用完整的session行为序列信息，所以引入RNN-based方法解决该问题。作者将session中的点击序列转换为one hot encoding编码，通过embedding压缩为低维连续向量作为GRU的输入，然后通过N层GRU网络，最终对下一个目标进行预测。Bogina等人提出GRU4Rec-DWELL，该作者认为一个item可能停留的之间较长，产生的影响应该大于一般的物品，所以将时间因素考虑进来，将停留时间切片，在最终数据集上的表现优于GRU4Rec。Kang W等人提出SAS4Rec，该方法综合考虑基于马尔科夫链的方法和基于RNN的方法，选取用户的最近n个行为组成序列，对于小于n的序列用0来填补，由于使用的是self-attention，对物品的位置信息没有记忆，所以选择了在物品的embedding上加入位置编码。最后根据获取的隐层表示作出下一项目推荐。