[发明专利]基于多层异质属性网络表征学习的个性化商品推荐方法及系统

说明书

基于多层异质属性网络表征学习的个性化商品推荐方法及系统，包括将用户与商品间交互行为看作一种边，构建多层异质属性网络，并解耦成多个简单的二分网络；对所有二分网络的邻接矩阵执行加权累加获得新组合的邻接矩阵，并执行谱图转换；融合谱转换后的邻接矩阵和节点属性特征矩阵，最后利用随机投影方法获得所有节点的表征向量；从历史数据中得到验证集以进行调参，获得每个节点的表征向量；利用余弦相似性度量用户对商品的偏好从而进行个性化推荐。本发明同时考虑了用户与商品间的多种交互行为；无需人为干预即可捕捉多种行为间的交互关系；有效融合了用户和商品的属性信息；利用随机投影进行网络表征学习，极大地提升了方法效率和提升推荐性能。

技术领域

本发明涉及一种基于多层异质属性网络表征学习的商品推荐方法及系统，属于电子商务技术领域。

背景技术

近些年，电子商务和移动互联网飞快发展，淘宝、京东、唯品会、拼多多等电子商务平台纷纷崛起，满足了人们在线购物的需要。如今，网上购物已经成为人们日常生活中不可或缺的部分，在为人们提供便捷服务的同时，也极大地促进了经济增长。电子商务平台中数量庞大的商品信息无论是给商品的提供者还是给商品的购买者都带来了巨大的挑战：商品提供者如何向商品购买者披露合适的商品信息；商品的购买者如何在众多的商品信息中筛选出自己需要的商品信息。针对这一系列的问题，商品个性化推荐系统应运而生。商品推荐系统是立足于大数据分析基础上实现的，根据用户的喜好倾向进行智能推荐，在提升产品销售量的同时，促使用户体验大幅度提升。在个性化推荐越来越受到学术界和工业界重视的大背景下，电子商务领域内个性化商品推荐技术得到不断丰富和发展。

个性化推荐系统的目的是在给定用户的历史交互商品的前提下，预测用户在未来可能交互的一系列商品。人们在网上购物时，大量的用户与商品的交互(比如，用户的点击、评论、收藏、加入购物车等行为)会被记录下来，这些丰富的用户行为记录为了解用户的兴趣爱好提供了机会。人们通过分析用户的多种序列行为，挖掘交互行为中隐含的用户偏好，来对用户进行有效的个性化推荐。

在商品推荐系统中，传统的推荐方法主要以协同过滤模型为代表。最常见的协同过滤算法主要有邻域方法和矩阵分解模型，其中邻域方法通过测量商品与相似性矩阵之间的距离来进行推荐，基于邻域的算法大致分为两大类，一类是基于用户的协同过滤算法，另一类是基于商品的协同过滤算法。不同于邻域推荐方法，矩阵分解通过用户和商品嵌入之间的内积来估计用户对商品的偏好。虽然上述两种方法在推荐方面取得了显著的成效，但是这些方法仅仅将用户的某些历史交互商品直接作为商品的集合，通过分析集合来进行推荐。简言之，它们只是通过挖掘用户和商品之间的静态相关性来进行推荐，而忽略了隐藏在用户序列行为中的偏好的转移，且无法对序列数据中的复杂关系进行建模。

通过对现有的商品推荐方法进行分析总结，传统方法在以下几个方面存在不足：1)忽视或者无法同时建模用户的多种交互行为，造成推荐商品不准确，降低用户体验；2)现有的网络表征学习方法复杂度极高，效率极低，不能及时更新，无法应用于动态环境以捕获用户动态偏好变化；3)忽视或不重视用户与商品的属性，比如用户的地理位置、性别、消费金额等，商品的类别、价格、描述信息等，有效利用这些外围信息，能够进一步提高推荐性能。

发明内容

为解决电子商务领域个性化商品推荐问题，本发明提供一种基于多层异质属性网络表征学习的个性化商品推荐方法及系统，能够有效解决上述问题，实现更有效的商品推荐，提高用户在电商平台上的购物体验感。

为实现上述发明目的，本发明的技术方案如下：

基于多层异质属性网络表征学习的个性化商品推荐方法，包括如下步骤：