[发明专利]基于深度学习的电商客户推荐方法

说明书

本发明公开了基于深度学习的电商客户推荐方法，包括以下步骤：建立DLFM模型，DLFM模型为在神经网络框架下加深FM，用于学习高阶和非线性特征交互，通过DLFM模型将线性因式分解机器与非线性神经网络相结合；建立NFM体系机构，NFM体系机构为双交互操作，能够允许神经网络模型在较低级别学习更多信息性特征交互，通过将神经网络与FM连接，能够实现对稀疏数据的预测；将NFM体系机构与DLFM模型相结合，将NFM体系机构与DLFM模型相结合形成神经网络结构。本发明通过将NFM体系机构与DLFM模型相结合形成神经网络结构，通过对客户的行为模式向量化实现基于深度因子分解机的电商客户推荐功能，实现对客户意向购买产品的精准推荐。

技术领域

本发明属于互联网行业，通过对客户的行为模式向量化实现基于深度因 子分解机的电商客户推荐功能，实现对客户意向购买产品的精准推荐。

背景技术

预测分析是许多信息检索(IR)和数据挖掘(DM)任务最重要的技术之一， 从推荐系统开始有针对性的广告搜索排名，视觉分析以及事件检测，然而， 简单地连接特征嵌入向量在低级别上携带的关于特征交互的信息太少，结构 表明，简单地连接用户和项目嵌入向量会导致协作过滤的结果非常差，必须 依靠以下深层学习有意义的交互功能，虽然有人声称多个非线性层能够很好 地学习特征交互，但DNN方面，由于众所周知的消失、爆炸梯度、过度拟合、 退化等问题，这种深度体系结构在实践中可能很难优化。

提出了基于深度学习的电商客户推荐方法，提出了一种新的双交互操作 来模拟二阶特征交互，而不是串联特征嵌入向量，使得低级别中提供更多信 息的表示，十分有利于后续的非线性层学习高阶交互。

发明内容

本发明的目的在于提供基于深度学习的电商客户推荐方法，以解决上述 背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于深度学习的电商客户推荐方法，包括以下步骤：

建立DLFM模型，DLFM模型为在神经网络框架下加深FM，用于学习高阶 和非线性特征交互，通过DLFM模型将线性因式分解机器与非线性神经网络相 结合；

建立NFM体系机构，NFM体系机构为双交互操作，能够允许神经网络模型 在较低级别学习更多信息性特征交互，通过将神经网络与FM连接，能够实现 对稀疏数据的预测；

将NFM体系机构与DLFM模型相结合，将NFM体系机构与DLFM模型相结 合形成神经网络结构；

进一步的，所述NFM体系机构只有一个隐藏层，NFM的性能明显优于FM、 高阶FM和最先进的深度学习方法宽、深和深交叉；

进一步的，所述FM是基于分解机的线性模型，是为协同过滤推荐而提出 的，给定一个实值特征向量xwRn调频通过对每一对特征之间的所有相互作用 进行建模，通过因式分解的相互作用参数来估计目标，利用特征之间的二阶 因式分解相互作用来增强线性Logistic回归，FM可以模拟许多特定的因式 分解模型，如标准MF、并行因子分析和SVD++由于这种通用性；

进一步的，神经网络结构还包括有：

多层感知器(MLP)：是一种前馈神经网络，在输入层和输出层之间具有 多个隐藏层。在此，感知器可以采用任意的激活函数，并且不一定代表严格 的二进制分类器，可以将MLP理解为非线性变换的堆叠层，从而学习层次特 征表示，MLP也被称为通用近似器；

自动编码器(AE)：是一种无监督模型，试图在输出层中重建其输入数 据，通常，瓶颈层用作输入数据的显着特征表示，自动编码器有很多变体；

卷积神经网络(CNN)：是一种特殊的前馈神经网络，具有卷积层和池化 操作，它可以捕获全局和局部特征，并显着提高效率和准确性；