CN119398864B 一种基于用户偏好分析的电商平台商品 推 荐方法及系统 （北京品诺优创科技有限公司）

US2024177216A1,2024.一种基于用户偏好分析的电商平台商品推本发明公开了一种基于用户偏好分析的电兴趣特征向量与商品的多模态属性信息进行匹2构建用户多模态兴趣特征向量；所述多模态兴趣特征向量融合用户的文本搜索历史、应用动态上下文感知的强化学习模型，根据用户实时交互行为和对所述用户历史浏览记录、购买记录和搜索记录进行数据清洗，剔所述利用跨模态注意力机制，将所述用户多模态兴趣特征向量与所述用户商品匹配得分通过如下公式表示：;A",是稀疏化后的注意力权重矩阵A''中第i个商品第j个特征维度的权重值；的点积和；3;;述动态权重跨模态注意力网络通过注意力机制来动态捕捉用户兴趣与商品特征之间的关采用多头注意力机制的状态编码器，将状态向量映射为低维表示，注意力头利用所述用户商品匹配得分，设计综合考虑商品匹配度和用户实时反馈的强化学习5.一种采用如权利要求1~4任一所述的基于用户偏好分析的电商平台商品推荐方法生成模块，用于利用跨模态注意力机制，将所述用户多模态兴输出模块，用于应用动态上下文感知的强化学习模型，根据用6.一种计算机设备，包括存储器和处理器，所述存储器存处理器执行时实现权利要求1至4中任一项所述的基于用户偏好分析的电商平台商品4[0002]电子商务平台的商品推荐系统在提升用户体验和促进销售方面发挥着至关重要5品推荐方法及系统，以解决现有电商平台商品推荐系统难以有效处理用户多模态兴趣特[0007]作为本发明所述的基于用户偏好分析的电商平台商品推[0008]作为本发明所述的基于用户偏好分析的电商平台商品推商品按用户商品匹配得分降序排序，并输出排序后的所述初始候选商品集合作为最终的[0009]作为本发明所述的基于用户偏好分析的电商平台商品推6[0015]作为本发明所述的基于用户偏好分析的电商平台商品推[0016]作为本发明所述的基于用户偏好分析的电商平台商品推荐方法的一种优选方[0017]作为本发明所述的基于用户偏好分析的电商平台商品推被处理器执行时实现如上所述基于用户偏好分析的电商平台商品推荐机制和强化学习策略，本发明能够更好地捕捉用户兴趣与商品特征之间的复杂非线性关7[0023]图1为本发明一个实施例提供的基于用户偏好分析的电商平台商品推荐方法的整[0029]为解决上述问题，本发明提供一种基于用户偏好分析的8[0040]品牌偏好向量和价格区间偏好向量的计算方式类似于商品类别偏好向量期行为偏好的变化趋势，同时根据用户的活跃程度和购买转化率动态调整各项行为的权9过动态权重跨模态注意力网络计算初始注意力权重矩阵A；然后利用时序注意力机制基于历史行为序列H调整初始注意力权重矩阵A中的权重，得到时序调整后的注意力权重矩阵A'。根据当前的注意力分布和历史匹配得分动态调整。这种设计增强了网络的鲁棒性和适应[0067]TemporalAttention(H)是时序注意力机制的输出，其接受用户历史行为序列H作后的时序信息与当前的用户兴趣和商品特征进行对比，生成一个与A维度相同的注意力矩ij)不仅考选取前K个商品作为最终推荐结果输出给用户。现了对用户兴趣的全面捕捉和精准建模。本发明不仅考虑了用户的历史行为和长期偏好，储在一个存储介质中，包括若干指令用以使得质包括：U盘、移动硬盘、只读存储器(ROM，Read_OnlyMemory)、随机存取存储器(RAM，[0105]本实验在一个大型电商平台的真实数据集上进行，该数据集包含1000万用户和72.368.575.170.278.673.881.276.585.782.385.7％和82.3比第二好的注意力机制模型高出4.5和5.8个百分点。F1分数(0.839)、[0112]如表2所示，本发明在这些指标上的优势更为突出，点击率(6.8％)和转