(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 202211010389.9 (22)申请日 2022.08.23 (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 肖寒春　安旭斌　韦世红　李暾　 肖云鹏　万鑫　张健　胡波建　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 王诗思 (51)Int.Cl. G06Q 30/06(2012.01) G06F 16/9535(2019.01) G06F 16/958(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于兴趣偏好的电商平台商品推荐方 法 (57)摘要 本发明属于商品推荐管 理技术领域， 具体涉 及一种基于兴趣偏好的电商平台商品推荐方法； 该方法包括： 获取用户数据， 对用户数据进行预 处理； 提取预处理后用户数据输入到基于兴趣偏 好的电商平台商品推荐模型中， 得到针对用户的 商品推荐结果， 电商平台根据商品推荐结果对用 户进行商品推荐； 本发明对显式反馈信息进行补 偿， 提取隐藏信息， 融合显式反馈信息和隐藏信 息使得本发明捕获用户对商品的兴趣偏好的结 果更准确， 刺激用户消费欲望， 实用性高。 权利要求书2页 说明书10页 附图2页 CN 115311056 A 2022.11.08 CN 115311056 A 1.一种基于兴趣偏好的 电商平台商品推荐方法， 其特征在于， 包括： 获取用户数据， 对 用户数据进行预处理； 提取预 处理后用户数据输入到基于 兴趣偏好的电商平台商品推荐模 型中， 得到针对用户的商品推荐结果， 电商平台根据商品推荐结果对用户进行商品推荐； 采用基于兴趣偏好的电商平台商品推荐模型对数据进行处 理的过程包括： S1： 根据用户数据获取显式反馈信息并提取相关属性； S2： 采用差分图自编码器对显式反馈信息进行补偿， 得到补偿后的反馈信息邻接矩阵； S3： 采用极深因子分解机提取用户数据的隐藏信息， 得到用户特 征表示； S4： 采用图注意力神经网络对相 关属性、 反馈信息邻接矩阵、 用户特征表示进行处理， 得到用户的商品推荐结果。 2.根据权利要求1所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 相 关属性包括用户自身属性、 用户活跃度、 兴趣偏好度、 商品基本属性、 兴趣激励因子 。 3.根据权利要求2所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 计 算用户活跃度的公式为： ActDeg(ui)＝ μ×Cartcoumt(ui)+Orders(ui) 其中， ActD eg(ui)表示第i个用户ui的用户活跃度， μ表示惩罚系数， Cartcount(ui)表示 第i个用户ui的加购数量， Orders(ui)表示第i个用户ui的下单数量。 4.根据权利要求2所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 计 算兴趣偏好度的公式为： 其中， PerferDeg(li→k,ui,ck)表示第i个用户ui对第k个商品ck的兴趣偏好度， upi表示第 i个用户ui的兴趣偏好表示， merg(ui,ck)表示将第k个商品ck中的有效信息， 嵌入 到用户ui的 嵌入表示中， m表示商品数量。 5.根据权利要求1所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 采 用差分图自编 码器对显式反馈信息进 行补偿的过程包括： 差分图自编 码器包括编 码器和解 码器； 根据显式反馈信息得到显式反馈信息矩阵； 采用编码器将显式反馈信息矩阵映射到 隐变量特征空间， 得到隐特征表示； 采用解码 器将隐特征表 示映射到原始的样本空间， 得到 补偿后的反馈信息邻接矩阵。 6.根据权利要求5所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 计 算补偿后的反馈信息邻接矩阵的公式为： 其中， 表示补偿后的反馈信息邻接矩阵， ActDeg表示用户活跃度、 σ 表示隐特征表示的 方差、 Z表示隐特 征表示。 7.根据权利要求1所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 采权　利　要　求　书 1/2 页 2 CN 115311056 A 2用极深因子分解机提取用户数据的隐藏信息的过程包括： 极深因子分解机包括CI N和DNN； 对用户自身属性、 兴趣激励因子和商品基本属性进行one ‑hot编码和嵌入表示处理， 得 到用户数据的原 始特征； 采用DNN对用户数据的原 始特征进行处 理， 得到隐式特 征交互； 采用CIN对用户数据的原 始特征进行处 理， 得到显式特征交互； 对隐式特 征交互和显式特 征交互进行加权聚合， 得到用户特 征表示。 8.根据权利要求1所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 采 用图注意力神经网络对相关属性、 反馈信息邻接矩阵、 用户特 征表示进行处 理的过程包括： 根据用户活跃度和用户自身属性计算内部因素值； 根据商 品基本属性和兴趣激励因子 计算外部因素值并将外 部因素作为商品节点特 征； 将内部因素值和用户特 征表示聚合， 得到用户节点特 征； 采用图注意力神经网络， 根据反馈信息邻接矩阵、 用户节点特征和商品节点特征计算 关注度； 对关注度进行归一 化处理， 得到注意力系数； 根据注意力系数和用户的兴趣偏好度计算商 品对用户的推荐指数； 对推荐指数进行排 序， 取前N个商品作为用户的商品推荐结果。 9.根据权利要求8所述的一种基于兴趣偏好的电商平台商品推荐方法， 其特征在于， 计 算内部因素值的公式为： FactorsI n(ui)＝ActDeg(ui)×User(ui) 其中， FactorsIn(uj)表示第i个用户ui的内部因素值， ActDeg(ui)表示第i个用户ui的用 户活跃度， User(ui)表示第i个用户ui的用户自身属性； 计算外部因素值的公式为： FactorsOut(ui)＝Enc(ui,ck)×Iattri(ck) 其中， FactorsOut(ui)表示第i个用户ui的外部因素值， Enc(ui,ck)表示第i个用户ui与 第k个商品ck的兴趣激励因子， Iat tri(ck)表示第k个商品ck的商品基本属性。 10.根据权利要求8所述的一种基于兴趣偏好的 电商平台商品推荐方法， 其特征在于， 计算商品对用户的推荐指数的公式为： 其中， 表示推荐指数， 表示第i个用户对第k个商品的注意力系数， PerferDeg (li→k,ui,ck)表示第i个用户ui对第k个商品ck的兴趣偏好度。权　利　要　求　书 2/2 页 3 CN 115311056 A 3