[发明专利]一种交易偏好判别模型自适应方法

说明书

一种交易偏好判别模型自适应方法，涉及到用户交易偏好判别技术领域，包括八个步骤，依次为建立交易图数据库、数据预处理、特征提取、建立交易行为分析模型、建立交易内容分析模型、综合交易行为分析模型和交易内容分析模型进行交易偏好判别、根据交易偏好结果进行核实检索以及根据核实结果动态优化交易偏好判别模型，本发明结合交易行为、交易内容、交易关联偏好、智能核实反馈进行交易偏好的判别，并通过学习专业人员核实检索方法和结果反馈动态优化交易偏好判别模型，解决交易偏好判别模型与交易行为变化之间的滞后性问题，提高模型的鲁棒性和交易偏好推荐的准确度，对海量交易数据的用户交易偏好发现具有重要意义。

技术领域

本发明涉及人工智能技术领域，尤其涉及到用户交易偏好判别，具体涉及到一种交易偏好判别模型自适应方法。

背景技术

互联网的飞速发展，催生出了各种电子交易平台，如电商、团购、外卖之类的线上交易平台，同时云闪付、支付宝、微信支付等线上支付的普及也让人们的生活方式发生了改变，电子支付手段不仅打破了线下线上交易的壁垒，还极大的增强了交易的便利性，也加快了支付交易的流转速度。

在各种线上交易平台的应用中，为了更好的捕捉到用户的交易偏好与交易习惯，实现针对用户特征的精准营销或产品推荐，出现了很多的推荐系统的应用。如机器学习领域中常用的基于用户的协同过滤推荐userCF(User-based Collaborative Filtering)和基于物品的协同过滤推荐itemCF(Item-based Collaborative Filtering)；强化学习领域中基于用户点击行为的DRN(Deep Reinforcement Learning Networks)等。这些算法都实现了根据用户历史行为来进行相关推荐的应用。

但是，上述推荐算法仅仅是根据用户的历史交易进行推荐，而没有真正的识别用户的交易偏好与习惯，在用户帮别人买了一次物品或偶发性交易后仍然会对用户推荐该类物品，导致推荐精准性不高。在用户数量或者物品数量都是海量的时候，上述推荐方案的时间成本非常高，并且推荐的准确性较差。同时，上述算法忽略了用户行为规律变化的影响。

发明内容

针对现有技术所存在的不足，本发明目的在于提出一种交易偏好判别模型自适应方法，用于根据用户的交易行为、交易内容、交易关联偏好、智能核实反馈进行自适应的优化交易偏好判别模型，提高用户偏好判别的准确性，具体方案如下：

一种交易偏好判别模型自适应方法，包括如下步骤：

建立交易图数据库：收集交易数据并将各类交易数据转换为实体、属性结构，并抽取实体之间的关系和关联属性，构建基于图结构的交易关系数据库，即交易图数据库；

数据预处理：对收集的各类交易数据进行预先的数据转换处理，数据转换处理包括数据清洗、数据集成、数据变换、数据归约；

特征提取：针对用户交易特点对收集的各类交易数据提取相应的静态特征、交易行为特征、交易内容特征、图结构特征等，分析用户交易行为和交易内容；

建立交易行为分析模型，挖掘目标对象的交易行为规律，获得目标交易行为偏好的概率；

建立交易内容分析模型，挖掘目标对象的交易内容模式，获得目标交易内容偏好的置信度；

综合交易行为分析模型和交易内容分析模型进行交易偏好判别：按照用户交易行为偏好概率、交易内容偏好置信度、图结构关联关系偏好及核实反馈结果进行加权计算，得到最终的交易偏好判别结果；

根据交易偏好结果进行核实检索：专业人员定期随机对推荐的用户交易偏好进行核实检索，通过记录检索步骤并对检索步骤进行强化学习来固化核实流程，若核实交易偏好判别正确则以奖励的形式正反馈交易偏好判别模型，若核实交易偏好判别错误则以惩罚的形式负反馈交易偏好判别模型；