[发明专利]一种基于用户动态点击模块图的商品购买预测方法及系统

说明书

本发明涉及一种基于用户动态点击模块图的商品购买预测方法及系统，其方法包括：S1：采集历史时期内用户对网站上商品展示页的模块点击行为序列的数据以及用户购买商品的数据，将模块点击行为序列划分为多个子序列，根据每个子序列构建对应的动态点击模块图；S2：将动态点击模块图输入对应的图注意力神经网络，利用注意力机制将图中节点的邻居节点表示信息聚合在一起作为该节点的新的表示，再经过池化操作得到动态点击模块图的新的图表示，将新的图表示经过LSTM模块获取上下文依赖信息；将上下文依赖信息输入多层感知机，预测用户是否会购买此商品。本发明提供的方法可以提取更全的用户行为序列，从而更精确地预测用户购买商品的可能性。

技术领域

本发明涉及人工智能、深度学习和智能零售领域，具体涉及一种基于用户动态点击模块图的商品购买预测方法及系统。

背景技术

随着电子商务的发展，越来越多的消费者在线上购买商品。消费者在登录购物网站时，往往会留下大量的历史行为数据。如何通过消费者的行为记录，预测消费者未来的购买行为，并以此为依据，设计推荐系统或者进行商品销量预测，开始成为工业应用中的一大难点与痛点。

传统的基于用户消费行为记录用于商品预测的方法往往都是利用时间序列分析方法或者一些机器学习方法，并且使用的用户行为记录大多是粗粒度的用户行为信息，比如简单的浏览，加购，购买等；同时对行为序列的使用也仅仅停留在序列层面而没有建模成行为图来进行用户行为建模。

发明内容

为了解决上述技术问题，本发明提供一种基于用户动态点击模块图的商品购买预测方法及系统。

本发明技术解决方案为：一种基于用户动态点击模块图的商品购买预测方法，包括：

步骤S1：采集历史时期内用户对网站上商品展示页的模块点击行为序列的数据以及用户购买商品的数据，将所述模块点击行为序列划分为多个子序列，根据每个所述子序列构建对应的动态点击模块图；

步骤S2：将所述动态点击模块图输入对应的图注意力神经网络，利用注意力机制将所述图中节点的邻居节点表示信息聚合在一起作为该节点的新的表示，再经过池化操作得到所述动态点击模块图的新的图表示，将所述新的图表示经过LSTM模块获取上下文依赖信息；将所述上下文依赖信息输入多层感知机，预测用户是否会购买此商品。

本发明与现有技术相比，具有以下优点：

1、本发明公开了一种基于用户动态点击模块图的商品购买预测方法，使用了极细粒度的用户点击行为信息，比如上滑，下滑，查看等，而不是现有技术中简单的浏览行为等粗粒度信息，因此，本发明提供的方法能够提取更全的用户行为序列，从而构建动态点击模块图以捕捉用户行为的动态信息。

2、本发明通过图注意力网络以计算注意力权重，并利用LSTM提取点击模块图的高阶复杂的动态信息，可以更精确地预测用户购买商品的可能性。

附图说明

图1为本发明实施例中一种基于用户动态点击模块图的商品购买预测方法的流程图；

图2为本发明实施例中一种基于用户动态点击模块图的商品购买预测方法的系统架构图；

图3为本发明实施例中一种基于用户动态点击模块图的商品购买预测系统的结构框图。

具体实施方式

本发明提供了一种基于用户动态点击模块图的商品购买预测方法，使用了极细粒度的用户点击行为信息，提取更全的用户行为序列，从而构建动态点击模块图以捕捉用户行为的动态信息，通过图注意力网络以计算注意力权重，并利用LSTM提取点击模块图的高阶复杂的动态信息，可以更精确地预测用户购买商品的可能性。

为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。

实施例一