本發(fā)明屬于商品推薦，尤其涉及一種基于深度學(xué)習(xí)dcp的推薦方法。

背景技術(shù)：

1、互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展為人們的生活帶來了極大的便利，但同時(shí)也導(dǎo)致了數(shù)據(jù)量的急劇增加，使得用戶面臨信息選擇上的困境。為應(yīng)對(duì)這一挑戰(zhàn)，推薦算法模型應(yīng)運(yùn)而生，其主要功能是利用用戶畫像從大量數(shù)據(jù)中篩選出符合用戶興趣的內(nèi)容，并生成個(gè)性化推薦列表。這不僅有效地緩解了信息過載問題，還提高了內(nèi)容的相關(guān)性和吸引力。近年來，深度學(xué)習(xí)技術(shù)的突飛猛進(jìn)促進(jìn)了推薦系統(tǒng)的快速發(fā)展，尤其在商品推薦領(lǐng)域。通過引入深度學(xué)習(xí)模型來分析用戶行為序列，這類算法能夠更準(zhǔn)確地刻畫用戶畫像，并據(jù)此生成更為精準(zhǔn)的推薦。然而現(xiàn)有的推薦方法商品推薦準(zhǔn)確率不是很高，達(dá)不到預(yù)期推薦效果。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提出了一種基于深度學(xué)習(xí)dcp的推薦方法，以解決上述現(xiàn)有技術(shù)存在的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于深度學(xué)習(xí)dcp的推薦方法，包括以下步驟：

3、獲取在線平臺(tái)用戶交互行為數(shù)據(jù)集，對(duì)所述在線平臺(tái)用戶交互行為數(shù)據(jù)集進(jìn)行預(yù)處理，獲得預(yù)處理數(shù)據(jù)集；

4、構(gòu)建初始推薦模型，基于所述預(yù)處理數(shù)據(jù)集對(duì)初始推薦模型進(jìn)行訓(xùn)練，獲得推薦模型；

5、將用戶數(shù)據(jù)輸入到推薦模型中得到推薦商品信息，將所述推薦商品信息推送給用戶。

6、優(yōu)選地，所述進(jìn)行預(yù)處理的方法包括：

7、采用labelencoder的方式對(duì)在線平臺(tái)用戶交互行為數(shù)據(jù)集中行為類型數(shù)據(jù)的不同的類別標(biāo)簽分配一個(gè)唯一的整數(shù)值；

8、采用嵌入向量化方法將在線平臺(tái)用戶交互行為數(shù)據(jù)集中高維度的類目特征映射到一個(gè)固定長度的密集向量中。

9、優(yōu)選地，所述初始推薦模型包括嵌入與特征堆疊層、最大-均值注意力機(jī)制層、逐位注意力機(jī)制層、深度前饋網(wǎng)絡(luò)層和組合輸出層；

10、所述嵌入與特征堆疊層用于將所述預(yù)處理數(shù)據(jù)集映射至嵌入空間，獲得嵌入向量；

11、所述最大-均值注意力機(jī)制層用于通過計(jì)算權(quán)重分配對(duì)嵌入向量進(jìn)行信息提純和精化，獲得特征向量；

12、所述逐位注意力機(jī)制層用于對(duì)每個(gè)特征向量進(jìn)行精細(xì)化的權(quán)重分配，獲得每個(gè)特征向量在每一維度上對(duì)最終預(yù)測(cè)的貢獻(xiàn)度；

13、所述深度前饋網(wǎng)絡(luò)層包括多個(gè)全連接層并通過激活函數(shù)引入非線性，用于捕捉嵌入向量中的高階交互關(guān)系；

14、所述組合輸出層用于綜合所述最大-均值注意力機(jī)制層、逐位注意力機(jī)制層和深度前饋網(wǎng)絡(luò)層的輸出結(jié)果，獲得預(yù)測(cè)輸出。

15、優(yōu)選地，綜合所述最大-均值注意力機(jī)制層和逐位注意力機(jī)制層獲得綜合特征的表達(dá)式為：

16、fmmb＝σ(wmmb·fconcat+bmmb)

17、式中，σ表示sigmoid激活函數(shù)，fconcat表示最大-均值注意力機(jī)制層和逐位注意力機(jī)制層處理后的嵌入向量的組合，wmmb表示模型學(xué)習(xí)到的權(quán)重，bmmb表示偏置項(xiàng)。

18、優(yōu)選地，所述獲得特征向量的表達(dá)式為：

19、fmm＝α·max(e)+(1-α)·mean(e)

20、式中，α表示超參數(shù)，e表示嵌入向量集，max(e)表示對(duì)嵌入向量集進(jìn)行最大值運(yùn)算，mean(e)表示對(duì)嵌入向量集進(jìn)行均值運(yùn)算。

21、優(yōu)選地，所述進(jìn)行精細(xì)化的權(quán)重分配的表達(dá)式為：

22、fb＝wb⊙e

23、式中，e表示嵌入向量集，⊙表示元素級(jí)乘法，wb表示學(xué)習(xí)到的維度特定的注意力權(quán)重。

24、優(yōu)選地，對(duì)初始推薦模型進(jìn)行訓(xùn)練的評(píng)價(jià)指標(biāo)包括接收者操作特征曲線下的面積和邏輯損失，所述邏輯損失的表達(dá)式為：

25、

26、式中，n表示樣本總數(shù)，yi表示第i個(gè)樣本的實(shí)際標(biāo)簽，如果實(shí)際標(biāo)簽是正類則為1，否則為0，pi是模型預(yù)測(cè)第i個(gè)樣本為正類的概率。

27、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：

28、本發(fā)明公開了一種基于深度學(xué)習(xí)dcp的推薦方法，屬于商品推薦技術(shù)領(lǐng)域，所述方法包括以下步驟：獲取在線平臺(tái)用戶交互行為數(shù)據(jù)集，對(duì)所述在線平臺(tái)用戶交互行為數(shù)據(jù)集進(jìn)行預(yù)處理，獲得預(yù)處理數(shù)據(jù)集；構(gòu)建初始推薦模型，基于所述預(yù)處理數(shù)據(jù)集對(duì)初始推薦模型進(jìn)行訓(xùn)練，獲得推薦模型；將用戶數(shù)據(jù)輸入到推薦模型中得到推薦商品信息，將所述推薦商品信息推送給用戶。本發(fā)明的dcp模型通過融合最大平均池化注意力機(jī)制，能夠更好地識(shí)別和處理輸入特征之間的非線性關(guān)系，從而提升推薦的相關(guān)性和效率。并且突破了簡單線性模型不能有效捕捉復(fù)雜用戶行為的局限，為理解和預(yù)測(cè)用戶的點(diǎn)擊行為提供了一種更加深入的方法，使推薦的商品更符合用戶的需求。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)dcp的推薦方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)dcp的推薦方法，其特征在于，

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)dcp的推薦方法，其特征在于，

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)dcp的推薦方法，其特征在于，

5.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)dcp的推薦方法，其特征在于，

6.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)dcp的推薦方法，其特征在于，

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)dcp的推薦方法，其特征在于，

技術(shù)總結(jié)
本發(fā)明公開了一種基于深度學(xué)習(xí)DCP的推薦方法，屬于商品推薦技術(shù)領(lǐng)域，所述方法包括以下步驟：獲取在線平臺(tái)用戶交互行為數(shù)據(jù)集，對(duì)所述在線平臺(tái)用戶交互行為數(shù)據(jù)集進(jìn)行預(yù)處理，獲得預(yù)處理數(shù)據(jù)集；構(gòu)建初始推薦模型，基于所述預(yù)處理數(shù)據(jù)集對(duì)初始推薦模型進(jìn)行訓(xùn)練，獲得推薦模型；將用戶數(shù)據(jù)輸入到推薦模型中得到推薦商品信息，將所述推薦商品信息推送給用戶。本發(fā)明通過構(gòu)建的推薦模型能夠很好地識(shí)別和處理輸入特征之間的非線性關(guān)系，提升了推薦的相關(guān)性，使推薦更加準(zhǔn)確。

技術(shù)研發(fā)人員：史春燕,劉磊,段毅然,蘇偉,安早紅
受保護(hù)的技術(shù)使用者：甘肅億恩科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21