[发明专利]一种护肤品推荐方法

权利要求书

1.一种护肤品推荐方法，其特征在于，包括:

查询用户的个人信息和过往购买记录，获得关于该用户肤质的信息；

通过推荐模型做出针对所述用户的护肤品的搭配推荐；其中又包括，

通过客服询问，获得关于所述用户的诉求和肤质禁忌，

补全用户此次的肌肤问题诉求、过敏成分或者成分偏好、肤质测试问卷调查数据，

将与此用户绑定的所有数据库数据，都输入到所述推荐模型中进行护肤产品的搭配推荐，

进一步给出，基于水+乳+面霜复合护肤类别的护肤方案推荐，

所述的护肤方案推荐中包括，各类别不同产品与用户的匹配得分、功效成分、使用方法及用量、不同平台产品的链接及比价信息，

所述推荐模型包括，

基于历史的购买信息与评分信息构建深度协同过滤模型，该模型基于历史数据，分别通过学习得到用户与产品的表示向量；

使用知识图谱得到位于护肤品知识图谱中各个实体，包括：用户、成分、功效、产品、禁忌、需求的表示向量以及各实体相互间的关系；

在得到用户与产品的表示向量后，在所述推荐模型中部署一个嵌入卷积层，同时考虑在知识图谱与协同过滤模型中，不同的消费者与产品之间的距离，输出新的表示向量，同时根据表示向量计算消费者偏好的成分、功效、产品信息，

在护肤品知识图谱构建中，主体包括：用户、成分、品牌、功效、适用年龄，

所述推荐模型中知识图谱的嵌入方法包括：

S101，将图嵌入到连续低维空间；

S102，对知识图谱的实体关系进行学习；

S103，根据实际业务设计多任务模型，

所述S101，将知识图谱嵌入到连续低维空间步骤包括，

知识图谱将语义关系以图的形式进行存储，将非连续的图中的实体与关系嵌入到欧式空间中的有限维向量中；

采用DeepWalk基于随机游走的图表示方法，对图中的每一个实体，通过执行M次长度有限的随机游走，使用这N*M次随机游走的路径向量来作为图对象的一个原始表示，通过word2vec来学习得到实体的低维稠密表示，

所述S101，知识图谱将语义关系的三元组(h,r,t)以图的形式进行存储，将非连续的图中的实体与关系嵌入到欧式空间中的高维向量中，并将这个向量作为输入进入S102，

所述S102，对知识图谱的实体关系进行学习步骤包括，以S101中的DeepWalk得到的向量作为输入，通过TransR模型，学习得到实体向量、关系向量与对应各类关系的映射矩阵，

所述S103，根据实际业务设计多任务模型步骤包括，计算用户最合适的产品、最急需的成分和禁忌成分，

其中，采用Partially Absorbing Random Walk mechanism来生成随机游走路径，

在TransR模型中，对每一个关系r，构造一个关系映射矩阵M_r，对于关系r，关于实体的表示为：

h_r＝hM_r，t_r＝tM_r

若期望具有这一关系r的实体h和t，在对应M_r的向量空间中有较近的距离，也即较小的

同时，不具有这一关系的实体之间距离较大，选择最小化目标函数为：

L＝∑_{(h，r，t)∈S}∑_{(h*，r，t*)∈S*′}max(0，f_r(h，t)+γ-f_r(h*，t*))

其中，S是所有的现有关系的集合，S*是人为构造的虚假关系的集合。