[发明专利]一种MMoE和LightGBM混合的预测模型的方法

说明书

本申请涉及一种MMoE和LightGBM混合的预测方法，用于购物软件用户行为预测对于给定的一定数量到访过购物软件“热门推荐”的用户，根据这些用户在APP内的历史n天的行为数据，通过算法在测试集上预测出这些用户对于不同商品内容的行为(包括查看商品、收藏、分享、查看评论、加入购物车、购买)的发生概率。构建组合深度学习网络；所述组合深度学习网络包括一个MMoE模型和LightGBM模型。其中MMoE模型包含多个专家和多个门控网络。用户的输入数据通过MMoE模型可以得到四个输出，通过LightGBM可以得到一个输出，然后考虑多个特征之间的相关性，再用得到的输出进行加权，得到最终的预测概率。

技术领域

本申请涉及购物软件中用户行为预测领域，特别是涉及组合深度MMoE和LightGBM组合的学习模型的购物行为预测方法

背景技术

互联网改变了人们的生活方式，人们的生活和学习更加便捷。人们可以充分的利用互联网的便捷性，例如在互联网上购物和通过互联网相互学习。但互联网是一个庞大的网络，用户群体庞大使得互联网上的信息迅速增长，各种各样的信息出现在互联网上，这些信息内容相互之间差异较大，人们很难从中找到对自己有用的信息。在海量的信息中寻找自己感兴趣的信息是一件困难的事情，甚至忘记自己的目标和需求。这就是信息过载问题。互联网上的任何人可以是信息的生产者，也可以是信息的阅读者。因为互联网上人数多，信息的产生呈指数级增长。信息过载会是消费者，商家以及整个社会面临的问题。

互联网上的信息过载问题使消费者无法从中找到感兴趣的部分甚至给消费者带来困扰。消费者常常无法从海量信息中找到有用的信息，同时寻找这些信息也是一件耗时且无聊的事情。消费者从中找到正确信息的过程是很无聊且困难的。因为个人能力和可以调度的资源有限，海量的信息无法给消费者带来好的体验，甚至误导消费者的选择。消费者需要的不是海量的信息，而是需要准确的对自己有用或者感兴趣的信息。虽然目前搜索引擎平台可以帮助用户查找信息，但大多数搜索引擎都是水平搜索，仅仅是通过消费者输入的关键字来查找信息，这种搜索方式查询出来的结果无法解决信息过载带来的问题，反而加大了消费者的困惑。因为并非每个消费者都清楚搜索平台的规则，而且无法使用简短的关键字来表达出自己的想法，特别是一些潜意识的需求，搜索平台也无法解决这类问题。另外不同的用户使用搜索引擎的时候虽然关键字是相同的，但目的和需求是不同的，搜索引擎无法考虑到用户的上下文和实际情况，搜索引擎给出的结果和用户想要的结果偏差也很大。搜索结果中可能会包含一些用户不需要的信息或者需要用户二次识别。搜索引擎反而给用户带来了更大的麻烦和困惑。因此要彻底有效的解决消费者信息过载问题还需要一个更加深入和有针对性的垂直搜索平台。

信息过载问题同时也影响着商家，商家对庞大的信息也无法处理出和识别有用的信息。在知识经济环境中，随着创新和生产效率的提高，商家需要从规模化经营模式向个性化化经营模式转变。个性化经营建立在商家和消费者有效的沟通和对消费者个性化需要的深入了解为基础，这种模式需要商家分析消费者的行为，根据不用的行为提供给不同消费者个性化的商品和服务，从而避免商家之间在相同性质上竞争。但在信息过载环境下，海量的信息带来了一些问题，商家发布到互联网上的商品信息被淹没在无用的信息中，不能带来有用的流量，给商家带来了损失。虽然互联网方便了商家和消费者，但互联网上的信息过载阻碍了商家和消费的正常沟通，影响了差异化经营模式的实施效果。商家希望借助个性化平台能够快速找到对自己产品信息感兴趣的消费者，并且给消费者推送相关信息。借助个性化平台商家和消费者可以正常沟通和交流，彻底解决信息过载问题。

推荐系统被认为是一种解决商家和消费者之间信息过载问题的一种有效方式和平台，它搜集用户的历史行为数据，分析对应的数据并向用户推荐有效的商品信息，或者向商家推荐有效的消费者。虽然和搜索引擎都是用于信息查找和分析的，但推荐系统会主动收集和分析用户的历史行为数据，并根据数据建立用户需求模型。在此基础上再推送给用户和商家，它比搜索引擎更加智能，能够有效的过滤出信息，判断出用户真实的需要。