[发明专利]一种新型的商品推荐方法

说明书

本发明公开了一种新型的商品推荐方法，包括步骤：获取“用户‑商品”交互信息和商品属性信息；对获取的信息进行预处理；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；根据预处理后的商品属性信息构建商品属性知识图谱；计算商品交互相似度；将商品属性知识图谱中的商品属性向量化；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；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；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。本发明可有效提高商品推荐的准确性。

技术领域

本发明属于推荐系统技术领域，具体涉及一种新型的商品推荐方法。

背景技术

随着信息时代的发展，大部分网站都面临着信息过载和信息迷航问题，因此推荐系统应运而生。推荐系统是自然语言处理(Natural Language Processing，NLP)方法常见的应用，在现实生活中已经得到很多实践。推荐系统的快速发展使得它在搜索引擎、电子商务、社交媒体网站和新闻门户等网络应用中非常流行，几乎每个面向用户提供内容的服务都配备了推荐系统。推荐系统在各个互联网平台上扮演着重要的角色，通过推荐系统，用户可以更高效快速地找到自己感兴趣或者存在潜在兴趣的商品或信息。推荐系统能够根据用户的历史行为信息，分析用户的偏好取向以及潜在兴趣，可以处理互联网时代由于海量信息数据导致的信息过载问题，以此增强用户体验。但是传统的推荐系统仍然存在一系列问题，比如推荐准确率不高、推荐不具有解释性、数据稀疏问题和冷启动问题等。

针对传统推荐系统的问题，一些专家提出可以加入辅助信息来有效缓解数据稀疏和冷启动等问题，其中知识图谱就是一种典型的辅助信息。知识图谱(Knowledge Graphs，KGs)包含了丰富的语义异构信息并在可解释推荐系统领域得到了广泛的应用。一方面，知识图谱中多样的、数量庞大的实体本身丰富了用户的潜在兴趣的选择，有助于推荐系统给用户提供准确的建议，帮助其用户高效地做出商品购买决策。另一方面，知识图谱是一种语义信息网，主要由物理世界的实体及其关系组成，且以三元组的形式呈现，如(头实体、关系、尾实体)或者(实体、属性、属性值)，该语义网蕴含了推荐系统中的商品的大量背景信息和商品之间的关系，这些关系可以作为用户最终选择商品的具体原因，进而赋予了推荐系统较好的解释能力。针对传统推荐算法无法学习到用户或项目的深层次特征，深度学习具备良好的优势，深度学习擅长于多源异构挖掘和学习，通过与推荐系统结合，可以更加高效地学习用户和项目之间的隐藏特征。

发明内容

为提高电商领域商品推荐的准确率，本发明提供一种新型的商品推荐方法，采用以下技术方案：

一种新型的商品推荐方法，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。