申请/专利权人：上海理工大学

申请日：2024-03-25

公开（公告）日：2024-07-05

公开（公告）号：CN118297665A

主分类号：G06Q30/0601

分类号：G06Q30/0601;G06F16/9535;G06F16/9536;G06F18/214;G06F18/22;G06N20/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明提出了一种基于协同信息与深度交互森林的商品推荐方法，通过历史交互行为构建用户‑商品交互矩阵，分别计算用户之间、商品之间的历史交互相似度，并利用交互相似性和属性相似性分别构建用户和商品的行为特征；通过扫描交互计算方法，实现初始特征与行为特征之间跨样本的显式vector‑wise特征交互，结合深度级联森林自动学习高阶交互特征、挖掘数据中的复杂关系，进而得到用户对于目标商品的兴趣程度，实现个性化商品推荐，对推荐算法相关应用领域具有积极意义。

主权项：1.一种基于协同信息与深度交互森林的商品推荐方法，其特征在于，包括以下步骤：步骤1、构造用户-商品交互矩阵R，以计算用户历史交互相似度矩阵Us、商品历史交互相似度矩阵Is；步骤2、对实例的原始特征X进行数据预处理，形成对应的初始特征E；步骤3、基于用户-商品交互矩阵R中的训练集，获取用户内容属性相似度矩阵Ps、商品内容属性相似度矩阵Qs；步骤4、基于步骤1输出的Us和Is，及步骤3中输出的Ps和Qs，计算行为特征AAu,Ai；步骤5、将步骤2中的初始特征E与步骤4中的行为特征AAu,Ai连接，形成样本特征Z；步骤6、将样本特征Z作为第一层的输入值Z0，输入至训练后的深度交互森林模型的第一层中，深度交互森林模型的第一层输出预测结果y1待用；步骤7、判断当前级联精度是否大于上层精度且当前深度小于设置的最大深度，如是，则执行步骤8；其中，第一层的对比级联精度设置为0；第r层的预测结果求平均值即第r层的级联精度；r＞1；步骤8、将每层的输入值输入至扫描交互模块以进行显式vector-wise特征交互，生成下一层的高阶交互特征Zr，Zr和其上层的输出预测结果yr-1拼接输出至Zr的对应层，第r层输出预测结果yr；其中，r＞1；循环步骤7～8，至当前级联精度小于上层精度或级联深度达到最大深度；步骤9、求解最终的输出预测结果yr的平均值，作为最终的预测结果

全文数据：

权利要求：

百度查询： 上海理工大学 基于协同信息与深度交互森林的商品推荐方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD