一种基于多视角数据和循环网络构建序列预测模型的方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106600347A(43)申请公布日2017.04.26(21)申请号201710041240.X(22)申请日2017.01.17(71)申请人中国科学院自动化研究所地址100190北京市海淀区中关村东路95号(72)发明人王亮吴书崔强刘强(74)专利代理机构中科专利商标代理有限责任公司11021代理人任岩(51)Int.Cl.G06Q30/02(2012.01)G06Q30/06(2012.01)权利要求书2页说明书8页附图2页(54)发明名称一种基于多视角数据和循环网络构建序列预测模型的方法(57)摘要本发明公开了一种基于多视角数据和循环网络的序列预测方法，其包括：获取多个用户在不同时刻购买的多个物品的数据，并对数据进行预处理；对所述预处理后的数据进行组合获取物品表达，将各用户物品表达按购买时间排序，形成用户序列；将当前用户序列送到循环网络模型的输入端进行训练；所述循环网络的处理端建立当前用户的表达，输出端计算当前用户对物品的偏好值；更新所述循环网络模型参数；将下一用户序列送到循环网络的输入端进行训练，直至所有用户序列都训练一次称为一次迭代；每次迭代更新全部偏好值的和，迭代多次，直至偏好值的和达到极大值或极小值，迭代结束。CN106600347ACN106600347A权利要求书1/2页1.一种基于多视角数据和循环网络构建序列预测模型的方法，包括步骤：S1：获取多个用户在不同时刻购买的多个物品的数据，并对所述数据进行预处理；S2：对所述预处理后的数据进行组合获取物品表达，将各用户的物品表达按购买时间排序形成用户序列；S3：将当前用户序列送到循环网络模型的输入端进行训练；S4：所述循环网络模型的处理端建立当前用户的序列表达，输出端计算当前用户对物品的偏好值；S5：更新所述循环网络模型参数；S6：将下一用户序列送到循环网络模型的输入端进行训练，重新返回步骤S3开始执行，直至所有用户序列都经过训练称为一次迭代，每次迭代后进行循环网络模型预测；S7：判断每次迭代后循环网络模型目标函数的值是否达到极大值或极小值，若是，则迭代结束，否则重新返回步骤S3开始执行，进行下一次迭代，直至目标函数的值达到极大值或极小值。2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：获取合适的数据集；获取物品图像特征并对物品图像特征进行归一化；获取物品文本特征，并将物品文本特征归一化到与物品图像特征相同的数值范围；建立物品隐含特征，并将物品隐含特征归一化到与物品文本特征相同的数值范围。3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：选取降维维度；对预处理后的数据进行降维，形成物品表达；将各用户的物品表达按购买时间由远及近排序，形成用户序列。4.根据权利要求3所述的方法，其特征在于，所述对预处理后的数据进行降维包括：对物品图像特征、物品文本特征进行降维，物品隐含特征与降维后的物品图像特征、物品文本特征拼接成物品表达。5.根据权利要求1所述的方法，其特征在于，在所述步骤S4中，用户的序列表达由各时刻循环网络模型的隐层值来表示，当前时刻的隐层值由当前时刻的物品表达、前一时刻的隐层值、转移矩阵代入神经网络激活函数得到。6.根据权利要求1所述的方法，其特征在于，在所述步骤S4中，当前时刻的偏好值由当前时刻的正样本物品表达、负样本物品表达、循环网络模型前一时刻的隐层值得到。7.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：建立目标函数；前传参数更新；回传参数更新。8.根据权利要求1所述的方法，其特征在于，所述步骤S6包括：将下一用户序列送入循环网络模型进行训练，并将该用户所有偏好值的和累加到目标函数中，每次迭代后目标函数的值为全部用户所有偏好值的总和；依次选取评价指标和对比方法，进行结果对比，完成循环网络模型预测。9.根据权利要求2所述的方法，其特征在于，2CN106600347A权利要求书2/2页采用卷积神经网络提取物品图像特征，采用最小-最大规范化对物品图像特征归一化；和/或，基于词之间共生关系的GloVe模型提取物品文本特征，采用最小-最大规范化对物品文本特征归一化。10.根据权利要求5所述的方法，其特征在于，所述神经网络激活函数为包括Sigmoid、tanh或ReLU。3CN106600347A说明书1/8页一种基于多视角数据和循环网络构建序列预测模型的方法技术领域[0001]本发明涉及数据挖掘技术领域，尤其是一种基于多视角数据和循环网络构建序列预测模型的方法。背景技术[0002]现实中基于互联网的网络购物越来越流行，用户在不同时间的购物行为可看作一条购买序列，准确预测该序列之后的值也即用户以后的购买，将极大地提高用户体验并且刺激网络购物平台发展。