本發(fā)明涉及推薦方法，尤其涉及基于消費(fèi)者行為的商品推薦方法。

背景技術(shù)：

1、隨著電子商務(wù)平臺(tái)的發(fā)展，基于消費(fèi)者行為的數(shù)據(jù)驅(qū)動(dòng)推薦系統(tǒng)已經(jīng)成為提升用戶體驗(yàn)和增加銷售額的重要工具。傳統(tǒng)的推薦系統(tǒng)通常依賴于協(xié)同過(guò)濾、基于內(nèi)容的推薦和混合推薦算法等方法，這些方法在一定程度上能夠提高推薦的準(zhǔn)確性和個(gè)性化程度。然而，這些傳統(tǒng)技術(shù)在面對(duì)復(fù)雜的用戶行為模式和多樣化的用戶需求時(shí)，仍存在顯著不足。

2、首先，現(xiàn)有技術(shù)主要聚焦于用戶的短期行為，往往忽略了用戶行為中的長(zhǎng)期依賴性。這導(dǎo)致推薦系統(tǒng)難以捕捉到用戶行為中的深層次模式，無(wú)法準(zhǔn)確預(yù)測(cè)用戶的長(zhǎng)期購(gòu)物意圖。此外，傳統(tǒng)的推薦系統(tǒng)在處理多模態(tài)數(shù)據(jù)（如文本、圖像、視頻、用戶評(píng)價(jià)等）時(shí)，往往是分開(kāi)處理這些數(shù)據(jù)源，缺乏對(duì)多模態(tài)信息的深度融合，這限制了推薦系統(tǒng)對(duì)用戶意圖的全面理解。

3、其次，現(xiàn)有的推薦策略通常集中在單一目標(biāo)的優(yōu)化，如推薦準(zhǔn)確性，但在實(shí)際應(yīng)用中，推薦系統(tǒng)需要在多個(gè)目標(biāo)之間（如用戶滿意度、系統(tǒng)響應(yīng)速度等）進(jìn)行平衡，這使得傳統(tǒng)方法難以應(yīng)對(duì)復(fù)雜的推薦需求，尤其是在實(shí)時(shí)性要求高的場(chǎng)景中，推薦策略難以快速適應(yīng)用戶行為的變化，導(dǎo)致推薦效果不佳。

技術(shù)實(shí)現(xiàn)思路

1、基于上述目的，本發(fā)明提供了基于消費(fèi)者行為的商品推薦方法。

2、基于消費(fèi)者行為的商品推薦方法，包括以下步驟：

3、s1，行為序列數(shù)據(jù)采集：從電子商務(wù)平臺(tái)中的用戶交互行為日志中，提取包括點(diǎn)擊、瀏覽、搜索、購(gòu)買(mǎi)的行為序列數(shù)據(jù)，并通過(guò)序列數(shù)據(jù)切片技術(shù)，將用戶的長(zhǎng)時(shí)間行為序列劃分為多個(gè)具有長(zhǎng)期依賴關(guān)系的行為片段；

4、s2，多模態(tài)行為上下文融合：針對(duì)用戶的行為序列數(shù)據(jù)，捕獲用戶交互中的多模態(tài)數(shù)據(jù)，多模態(tài)數(shù)據(jù)包括文本描述、商品圖片、視頻預(yù)覽、用戶評(píng)價(jià)，采用基于多模態(tài)注意力機(jī)制的融合算法對(duì)多模態(tài)數(shù)據(jù)進(jìn)行深度融合，生成包含語(yǔ)義理解、情感分析和視覺(jué)特征的行為上下文特征向量；

5、s3，長(zhǎng)期意圖推測(cè)：使用長(zhǎng)短期記憶網(wǎng)絡(luò)lstm對(duì)具有長(zhǎng)期依賴關(guān)系的行為片段進(jìn)行建模，捕捉用戶行為的長(zhǎng)期依賴性特征向量，基于長(zhǎng)期依賴性特征向量以及行為上下文特征向量，構(gòu)建基于上下文的意圖推測(cè)模型，推測(cè)用戶的長(zhǎng)期購(gòu)物意圖，并生成用戶行為的意圖向量；

6、s4，多目標(biāo)優(yōu)化與推薦策略生成：基于用戶行為的意圖向量，通過(guò)多目標(biāo)優(yōu)化算法，生成滿足多種目標(biāo)的推薦策略，將生成的推薦策略應(yīng)用于實(shí)時(shí)推薦中。

7、可選的，所述s1中的行為序列數(shù)據(jù)采集包括用戶交互行為日志的提取，從電子商務(wù)平臺(tái)的后臺(tái)數(shù)據(jù)庫(kù)中，通過(guò)日志分析工具獲取用戶在平臺(tái)上生成的交互行為日志，所述日志包括用戶的點(diǎn)擊行為、瀏覽記錄、搜索查詢以及購(gòu)買(mǎi)交易，將行為序列數(shù)據(jù)按時(shí)間順序排列，并根據(jù)用戶唯一標(biāo)識(shí)符進(jìn)行歸檔，以形成用戶的完整行為序列；

8、所述序列數(shù)據(jù)切片技術(shù)基于行為發(fā)生的時(shí)間間隔、行為類型的連續(xù)性進(jìn)行切片，通過(guò)動(dòng)態(tài)窗口調(diào)整算法，將長(zhǎng)時(shí)間行為序列劃分為多個(gè)短期行為片段，同時(shí)確保行為片段之間存在顯著的長(zhǎng)期依賴關(guān)系。

9、可選的，所述動(dòng)態(tài)窗口調(diào)整算法將長(zhǎng)時(shí)間行為序列劃分為多個(gè)短期行為片段具體包括：

10、行為間時(shí)間間隔，表示為：，其中，表示相鄰兩個(gè)行為和之間的時(shí)間間隔；

11、窗口大小的動(dòng)態(tài)調(diào)整：根據(jù)行為間時(shí)間間隔和行為類型進(jìn)行窗口大小調(diào)整，窗口的調(diào)整公式為：

12、，其中，和是時(shí)間間隔的權(quán)重因子，是行為類型之間的關(guān)聯(lián)度量函數(shù)；

13、行為片段劃分：使用動(dòng)態(tài)調(diào)整后的窗口將用戶行為序列劃分為多個(gè)片段，其中為第個(gè)行為片段，包含在窗口內(nèi)的所有行為數(shù)據(jù)；

14、還包括關(guān)聯(lián)分析與片段調(diào)整：初步切片后，通過(guò)關(guān)聯(lián)分析法識(shí)別并調(diào)整行為片段，確保片段間的長(zhǎng)期依賴關(guān)系得到充分保留，對(duì)切片后的行為片段進(jìn)行關(guān)聯(lián)分析，計(jì)算片段間的關(guān)聯(lián)度，如果關(guān)聯(lián)度超過(guò)預(yù)設(shè)閾值，則將片段和合并。

15、可選的，所s2中的多模態(tài)行為上下文融合具體包括。

16、s21，特征提取：

17、文本描述的特征提取：使用自然語(yǔ)言處理技術(shù)將文本轉(zhuǎn)換為特征向量：，其中，是用戶輸入的文本，是從文本中提取的語(yǔ)義特征向量；使用bert?模型提取文本特征；

18、商品圖片的特征提?。菏褂镁矸e神經(jīng)網(wǎng)絡(luò)cnn對(duì)商品圖片進(jìn)行處理，提取視覺(jué)特征，得到特征向量：，其中，是商品圖片，是從圖片中提取的視覺(jué)特征向量；

19、視頻預(yù)覽的特征提?。菏褂脮r(shí)序卷積網(wǎng)絡(luò)tcn對(duì)視頻預(yù)覽進(jìn)行分析，提取時(shí)間序列特征，得到特征向量：，其中，是視頻數(shù)據(jù)，是從視頻中提取的時(shí)間序列特征向量；

20、用戶評(píng)價(jià)的特征提取：對(duì)用戶評(píng)價(jià)文本進(jìn)行情感分析，得到情感特征向量：，其中，是用戶評(píng)價(jià)文本，是從評(píng)價(jià)中提取的情感特征向量；

21、s22，多模態(tài)注意力機(jī)制融合：將從不同模態(tài)數(shù)據(jù)中提取的特征向量進(jìn)行融合，采用多模態(tài)注意力機(jī)制來(lái)分配不同模態(tài)的權(quán)重：

22、注意力權(quán)重計(jì)算：對(duì)每個(gè)模態(tài)的特征向量計(jì)算注意力權(quán)重：

23、，其中，是模態(tài)的特征向量，包括、、以及，是權(quán)重矩陣，表示模態(tài)在融合中的重要性，是模態(tài)的總數(shù)；

24、多模態(tài)特征融合：將各模態(tài)的特征向量按注意力權(quán)重進(jìn)行加權(quán)求和，生成融合向量，其中，是融合后的特征向量，包含所有模態(tài)數(shù)據(jù)的加權(quán)信息；

25、s23，生成用戶行為的上下文特征向量：

26、融合向量包含所有模態(tài)的特征信息，但為了進(jìn)一步提高推薦的精準(zhǔn)度，需要對(duì)融合向量進(jìn)行處理，生成用戶行為的上下文特征向量，將融合向量輸入到一個(gè)全連接神經(jīng)網(wǎng)絡(luò)層中，通過(guò)relu非線性激活函數(shù)處理，生成最終的上下文特征向量。

27、可選的，所述s3中的長(zhǎng)短期記憶網(wǎng)絡(luò)lstm基于行為片段，使用長(zhǎng)短期記憶網(wǎng)絡(luò)lstm對(duì)行為片段進(jìn)行建模，捕捉用戶行為的長(zhǎng)期依賴性特征，表示為：

28、，其中，表示從行為片段中提取的長(zhǎng)期依賴性特征向量。

29、可選的，所述s3還包括將長(zhǎng)期依賴性特征向量與行為上下文特征向量進(jìn)行融合，結(jié)合用戶當(dāng)前的行為情境和歷史行為的長(zhǎng)期依賴關(guān)系，構(gòu)建一個(gè)綜合的特征向量：，其中，是融合后的綜合特征向量，包括用戶行為的長(zhǎng)期依賴性和當(dāng)前行為上下文。

30、可選的，所述基于上下文的意圖推測(cè)模型構(gòu)建包括利用融合后的綜合特征向量作為輸入，推測(cè)用戶的長(zhǎng)期購(gòu)物意圖并生成用戶行為的意圖向量：，其中，是用戶行為的意圖向量，表示用戶在長(zhǎng)期行為序列和當(dāng)前情境下的購(gòu)物意圖，生成的用戶意圖向量綜合了用戶的長(zhǎng)期行為依賴性和當(dāng)前行為上下文特征。

31、可選的，所述意圖預(yù)測(cè)模型基于前饋神經(jīng)網(wǎng)絡(luò)，模型結(jié)構(gòu)包括：

32、輸入層：輸入為綜合特征向量，形狀為，表示融合向量的維度；

33、隱藏層：一個(gè)或多個(gè)全連接層，每層都有權(quán)重矩陣和偏置向量，并通過(guò)relu非線性激活函數(shù)進(jìn)行激活：

34、，其中是前一層的輸出，是當(dāng)前層的權(quán)重矩陣，是偏置向量；

35、輸出層是一個(gè)全連接層，用于生成用戶的意圖向量：

36、，其中和是輸出層的權(quán)重矩陣和偏置，是最后一個(gè)隱藏層的輸出。

37、可選的，所述s4中的多目標(biāo)優(yōu)化與推薦策略生成具體包括：

38、s41，目標(biāo)函數(shù)定義：基于用戶行為的意圖向量，構(gòu)建多目標(biāo)優(yōu)化的目標(biāo)函數(shù)；

39、s42，使用基于pareto最優(yōu)解的多目標(biāo)優(yōu)化算法對(duì)多個(gè)目標(biāo)函數(shù)進(jìn)行優(yōu)化，生成一個(gè)pareto最優(yōu)解集，最優(yōu)解集中每個(gè)最優(yōu)解對(duì)應(yīng)一個(gè)推薦策略，在不同目標(biāo)之間實(shí)現(xiàn)平衡，在目標(biāo)空間中，找到一組解集，使得在該解集上，任何一個(gè)目標(biāo)的改善都會(huì)導(dǎo)致至少一個(gè)其他目標(biāo)的惡化，優(yōu)化目標(biāo)函數(shù)：，其中，是第個(gè)pareto最優(yōu)推薦策略；

40、s43，推薦策略選擇與應(yīng)用：在pareto最優(yōu)解集中，選擇一個(gè)最佳策略，根據(jù)當(dāng)前用戶的偏好和系統(tǒng)資源情況，綜合考慮推薦準(zhǔn)確性、用戶滿意度和系統(tǒng)響應(yīng)速度因素，選取平衡點(diǎn)最優(yōu)的推薦策略，將選定的推薦策略應(yīng)用于實(shí)時(shí)推薦系統(tǒng)中，實(shí)時(shí)生成推薦列表并推送給用戶。

41、可選的，所述目標(biāo)函數(shù)包括：

42、推薦準(zhǔn)確性：最大化推薦列表中用戶實(shí)際感興趣商品的比例；

43、用戶滿意度：優(yōu)化推薦結(jié)果與用戶偏好的匹配度，基于用戶反饋（點(diǎn)擊率、停留時(shí)間、購(gòu)買(mǎi)行為）進(jìn)行量化；

44、系統(tǒng)響應(yīng)速度：最小化推薦策略生成和響應(yīng)的時(shí)間。

45、本發(fā)明的有益效果：

46、本發(fā)明，通過(guò)引入序列數(shù)據(jù)切片技術(shù)，將用戶的長(zhǎng)時(shí)間行為序列劃分為多個(gè)具有長(zhǎng)期依賴關(guān)系的行為片段，行為切片方法結(jié)合了動(dòng)態(tài)窗口調(diào)整和關(guān)聯(lián)分析，能夠有效捕捉用戶行為中的深層次模式，通過(guò)對(duì)這些片段的長(zhǎng)短期依賴分析，利用lstm模型進(jìn)一步提取行為之間的潛在關(guān)系，確保了推薦系統(tǒng)能夠準(zhǔn)確識(shí)別用戶的長(zhǎng)期購(gòu)物意圖，因此，該方法在保持對(duì)用戶行為的長(zhǎng)短期依賴性進(jìn)行全面分析的同時(shí)，大幅提高了推薦結(jié)果的精準(zhǔn)度和相關(guān)性。

47、本發(fā)明，利用多模態(tài)注意力機(jī)制，將用戶在電子商務(wù)平臺(tái)上的多模態(tài)交互數(shù)據(jù)（如文本描述、商品圖片、視頻預(yù)覽、用戶評(píng)價(jià)）進(jìn)行深度融合，生成包含語(yǔ)義理解、情感分析和視覺(jué)特征的行為上下文特征向量，通過(guò)將這些多模態(tài)特征與用戶行為片段的長(zhǎng)期依賴性特征相結(jié)合，構(gòu)建基于上下文的意圖推測(cè)模型，進(jìn)一步準(zhǔn)確推測(cè)用戶的長(zhǎng)期購(gòu)物意圖，此融合方法顯著提高了推薦的個(gè)性化程度，能夠更好地滿足用戶的多樣化需求，從而提高了用戶的滿意度。

48、本發(fā)明，引入了基于?pareto?最優(yōu)解的多目標(biāo)優(yōu)化算法，以同時(shí)優(yōu)化推薦準(zhǔn)確性、用戶滿意度和系統(tǒng)響應(yīng)速度等多個(gè)目標(biāo)，通過(guò)在推薦策略生成中利用這些算法，能夠?qū)崿F(xiàn)多目標(biāo)之間的有效平衡，生成滿足不同用戶和系統(tǒng)需求的最優(yōu)推薦策略，使得推薦策略能夠快速適應(yīng)變化的用戶行為和系統(tǒng)狀態(tài)，從而提升了推薦系統(tǒng)的整體性能和用戶體驗(yàn)。