(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210967561.3 (22)申请日 2022.08.12 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 肖云鹏　黄于洋　李暾　王蓉　 贾朝龙　陶禹冲　朱宇　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王海军 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 30/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于长短期兴趣的电商平台会话感知 推荐预测方法 (57)摘要 本发明属于互联网应用技术领域， 具体涉及 一种基于长短期兴趣的电商平台会话感知推荐 预测方法， 包括获取在线数据， 数据包括用户的 基本信息、 物品的基本信息以及用户行为的会话 序列； 通过获取的在线数据， 提取用户行为和用 户偏好， 并构建用户长期兴趣集； 通过兴趣匹配 从用户长期兴趣集中获取用户在当前阶段的短 期兴趣； 构建预测模型， 将用户在一个会话的点 击序列， 即物品输入， 以及用户在当前阶段的短 期兴趣作为输入， 预测模型输出预测物品并进行 推荐； 本发 明不仅能够有效挖掘用户行为序列中 的用户长短期兴趣信息， 更精确的表达用户兴趣 偏好， 同时能够提升电商平台的推荐准确性。 权利要求书2页 说明书9页 附图3页 CN 115293812 A 2022.11.04 CN 115293812 A 1.一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其特征在于， 包括以下步 骤： 获取在线数据， 包括用户的基本信息、 物品的基本信息以及用户行为的会话序列； 通过获取的在线数据， 提取用户行为和用户偏好， 并构建用户长期兴趣集； 通过兴趣匹配从用户长期兴趣集中获取用户在当前阶段的短期兴趣； 构建预测模型， 将用户在一个会话的点击序列， 即物品输入， 以及用户在 当前阶段的短 期兴趣作为输入， 预测模型输出 预测物品 并进行推荐。 2.根据权利要求1所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其 特征在于， 构建用户长期兴趣集包括： 根据历史用户行为的会话序列获取其历史物品矩阵， 利用多个不同尺度的卷积核对该历史物品矩阵进 行卷积计算， 每个卷积核对应得到一个用 户的偏好特征映射， 将所有偏好进行拼接后经过一个全连接层转化为用户的长期兴趣， 用 户所有会话得到的长期兴趣构成长期兴趣集 合。 3.根据权利要求2所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其 特征在于， 若使用 τ个卷积核对历史物品矩阵分别进行卷积运算， 卷积核矩阵表示为Ω＝ {ω1,ω2,…,ωτ}， 则第i个会话时得到的用户的长期兴趣表示 为： 其中， ReLU()表示ReLU激活函数； concat()表示拼接操作； H为历史物品矩阵， 表示为H ＝[v1,v2,…,vi,…]T， vi表示表示第i个子会话映射的交互物 品向量， Wl为全连接层的权重 矩阵， b为全连接层的偏置项。 4.根据权利要求2所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其 特征在于， 对于历史物品矩阵中的值， 以一定概 率将该值强制设置为0， 该概 率表示为： 其中， O表示将历史物品矩阵中的某一个值设置为0的概率； Uu为用户向量表示； Vv为物 品向量表示； 表示从用户与物品的交互学习得到的用户向量表示； 表示从用户与物品 的交互学习得到的物品向量表示。 5.根据权利要求3所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其 特征在于， 用户与 物品的交互学习得到的用户向量表示和物品向量表示的过程中是令损失 函数逐渐变小直到 达到设定阈值的过程， 损失函数表示 为： 其中， l为损失函数； y∈{0， 1}， 当y＝1时表示用户与当前物品进行过交互， 当y＝0时表 示用户没有与当前用户进行过交互； 表示从用户与物品的交互学习得到的物品向量表 示且用用停留在该物品 的时长超过平均停留时长； 表示从用户与物品的交互学习得到 的物品向量表示且用 用停留在该物品的时长未超过平均停留时长 。 6.根据权利要求1所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其 特征在于， 通过兴趣匹配从用户长期兴趣集中获取用户在当前阶段的短期兴趣， 表示 为：权　利　要　求　书 1/2 页 2 CN 115293812 A 2其中， 为在第s个会话过程中第n个阶段的短期兴趣； 表示第i个会话时得到的长期 兴趣； M表示长期兴趣集中元素的数量； Ns为阶段数量， 表示第s个会话过程中第n个阶 段的短期兴趣的权 重。 7.根据权利要求5所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其 特征在于， 通过注意力机制计算从用户长期兴趣集中匹配得到 的一个向量 对 的影 响力， 从用户长期兴趣集中匹配得到的一个向量 表示为： 其中， 表示用户长期兴趣集中的嵌入向量与将当前用户行为的会话序列 投影到嵌入空间向量的差值； 表示第i个会话时得到的长期兴趣； 表示量化后的 <,>表示求内积， w()表示权重函数； 表示求 取值在集合Q范围内的平均 值； Q表示当前会话内用户的所有前驱行为。 8.根据权利要求1所述的一种基于长短期兴趣的电商平台会话感知推荐预测方法， 其 特征在于， 基于门控循环单元构建预测模 型， 将门控循环单元输出门的输出通过softmax函 数层预测各个物品被点击的概 率， 按照概 率从高到低向用户推荐物品， 该 过程表示 为： 其中， 为物品输入向量； 为用户短期 兴趣， 为中间隐状态， 为隐状态， 为 更新门， 为重置门， 为输出向量； Wp、 Wq、 Wh表示GRU单元的转换矩阵， W1、 W2、 W3表示GRU 单元的权值矩阵； σ 表示sigmoid激活函数， ⊙表示按位相乘操作； 表示物品集合V中第| V|个物品被点击的概率， |V|表 示物品集合V中的物品的数量， W表 示隐藏层连接到输出层的 权重矩阵。权　利　要　求　书 2/2 页 3 CN 115293812 A 3