申请/专利权人:广东工业大学
申请日:2024-01-16
公开(公告)日:2024-04-16
公开(公告)号:CN117893283A
主分类号:G06Q30/0601
分类号:G06Q30/0601;G06F16/9535;G06F16/9538;G06F18/213;G06F18/25;G06F18/22
优先权:
专利状态码:在审-公开
法律状态:2024.04.16#公开
摘要:本发明涉及数据挖掘领域,更具体地,涉及一种多类型行为序列预测推荐方法、系统以及存储介质。其中方法包括:获取用户特征信息、商品信息以及多种行为对应的购物篮数据;然后进行编码;根据编码获得的各向量获得多种融合行为向量序列;将多种最终行为向量序列的每一种融合行为向量序列与其他融合行为向量序列分别建立隐式依赖关联和显式依赖关系,获得多个隐式和显式行为混合特征向量;然后计算获得所有商品在各行为预测购物篮中的出现概率;然后完成对商品的推荐显示。本发明通过分别建立隐式依赖关联和显式依赖关系可以将多行为信息充分融合、解决了各行为间存在复杂的耦合依赖关系,从而提高了预测推荐效果。
主权项:1.一种多类型行为序列预测推荐方法,其特征在于,包括以下步骤:S1:获取用户特征信息、商品信息以及多种行为对应的购物篮数据;商品信息根据是否与用户行为发送交互,可以分为与用户交互过的商品信息和未与用户交互过的商品信息;S2:构建行为编码器,对多种行为对应的购物篮数据中每一种购物篮数据通过行为编码器进行编码,获得多种购物篮向量序列;对用户特征信息进行编码获得用户特征向量;对与用户交互过的商品信息进行编码获得与用户交互过的商品特征向量;对未与用户交互过的商品信息进行编码获得未与用户交互过的商品特征向量;S3:根据用户特征信息、多种行为对应的购物篮数据、多种购物篮向量序列和用户特征向量获得多种融合行为向量序列;S4:将多种最终行为向量序列的每一种融合行为向量序列与其他融合行为向量序列建立隐式依赖关联,获得多个隐式行为混合特征向量;将多种融合行为向量序列的每一种融合行为向量序列与其他融合行为向量序列建立显式依赖关系,获得多个显式行为混合特征向量;S5:根据多个隐式行为混合特征向量、多个显式行为混合特征向量、与用户交互过的商品特征向量以及未与用户交互过的商品特征向量获得所有商品在各行为预测购物篮中的出现概率;S6:根据所有商品在各行为预测购物篮中的出现概率,完成对商品的推荐显示。
全文数据:
权利要求:
百度查询: 广东工业大学 一种多类型行为序列预测推荐方法、系统以及存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。