[发明专利]一种新型的商品推荐方法

权利要求书

1.一种新型的商品推荐方法，其特征在于，包括以下步骤：

步骤1：获取“用户-商品”交互信息和商品属性信息；

步骤2：对获取的“用户-商品”交互信息和商品属性信息进行预处理；

步骤3：根据预处理后的“用户-商品”交互信息构建用户商品交互图，提取用户和商品间的交互关系；

步骤4：根据预处理后的商品属性信息构建商品属性知识图谱；

步骤5：计算“用户-商品”交互信息中商品间的商品交互相似度；

步骤6：将商品属性知识图谱中的商品属性向量化，得到每个商品的商品属性量化值；

步骤7：根据商品属性量化值计算商品属性间的商品属性语义相似度；

步骤8：根据商品属性语义相似度和商品交互相似度计算所有商品的商品融合相似度；

步骤9：根据商品融合相似度，通过共同注意力机制计算用户对候选商品的注意力分值并将注意力分值降序排列，然后由神经网络进行聚类以获取商品推荐结果。

2.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤1中，利用爬虫技术爬取相应电商平台上的“用户-商品”交互信息和商品属性信息，所述“用户-商品”交互信息包括用户对商品的评价、商品访问记录、商品搜素信息和商品收藏信息，所述商品属性信息包括商品价格和商品类型。

3.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤2中，首先对获取的“用户-商品”交互信息和商品属性信息进行筛选，删除其中的残缺信息，然后对筛选后的“用户-商品”交互信息和商品属性信息进行VAE变分自动编码，最后通过分布变换，得到向量形式的“用户-商品”交互信息和商品属性信息。

4.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤4中，首先将预处理后的商品属性信息转化为可处理的结构化数据，然后通过对齐、建边的方式得到知识库，最后对知识库进行关系挖掘和实体链接以得到商品属性知识图谱。

5.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤5中，首先根据“用户-商品”交互信息提取任意两种商品的商品交互向量，并组建交互数据集合；然后根据商品交互向量，利用TF-IDF算法计算交互数据集合中任意两种商品的商品交互相似度。

6.如权利要求1所述的一种新型的商品推荐方法，其特征在于，步骤6具体包括步骤：

S6.1、将商品属性知识图谱中的头实体节点、尾实体节点、头实体节点与尾实体节点间的关系抽取为正例三元组；

S6.2、基于负采样算法生成正例三元组的负例三元组；

S6.3、根据正例三元组和负例三元组训练得到每个商品的商品属性量化值。

7.如权利要求6所述的一种新型的商品推荐方法，其特征在于，在步骤S6.2中：

对于关系v_r对应的所有正例三元组，统计所有正例三元组中每种头实体节点对应的尾实体节点的数量，并根据该数量计算所涉及到的每个头实体节点的尾平均值；

统计所有正例三元组中每种尾实体节点对应的头实体节点的数量，并根据该数量计算所涉及到的每个尾实体节点的头平均值；根据尾平均值和头平均值计算概率P，P＝尾平均值/(尾平均值+头平均值)；

从所有具有关系v_r的正例三元组中以概率P选取一个与当前正例三元组不同的头实体节点替换当前正例三元组中的头实体节点，生成负例三元组；

从所有具有关系v_r的正例三元组中以概率1-P选取一个与当前正例三元组不同的尾实体节点替换当前正例三元组中的尾实体节点，生成负例三元组。