一种基于神经网络的用户个性化商品浏览方法及装置与流程

本发明涉及大数据处理技术领域，尤其涉及一种基于神经网络的用户个性化商品浏览方法及装置。

背景技术

随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，推荐的信息也变得更加多样化，网上商城需要在大量的商品信息空间中对各个商品浏览的情况进行排序，将用户最感兴趣的商品排到前面。

在电商中，商品浏览或者使用固定排序，或者广告排序，或者相关度排序。也有基于全局的神经网络处理方式。然而现有的商品浏览排序方法普遍具有以下问题：

1、在电商中，用户浏览的行为没有得到足够的关注；

2、每个用户的情况不一样，需要更多的关注个性化，不同用户对同一个输入，有不同的期望；

3、需要建立用户使用和喜欢的关键词(类目)与商品的关系；

4、需要支持超大规模用户的神经网络节点的计算和存储；

技术实现要素：

本发明实施例提供了一种基于神经网络的用户个性化商品浏览方法及装置，用于解决传统的电商系统不能反应用户输入关键词、类目与喜欢商品的关系的技术问题。

本发明提供的一种基于神经网络的用户个性化商品浏览方法，包括：

接收每个用户输入的浏览信息，根据浏览信息创建每个用户的神经网络的神经节点；

获取浏览信息中的关键词和商品，以及创建得到的神经节点，生成权重矩阵；

通过神经网络的反向传播算法计算权重矩阵中的权重；

通过计算权重后的权重矩阵对商品进行浏览排序。

优选地，所述根据浏览信息创建每个用户的神经网络的神经节点具体包括：

分别获取各个用户浏览信息中的所有关键词及每个关键词对应的商品；

对每个关键词检测是否存在与关键词对应的神经节点，若否，则创建与该用户、关键词及商品对应的神经节点；

设置每个神经节点的默认权重。

优选地，所述获取浏览信息中的关键词和商品，以及创建得到的神经节点，生成权重矩阵具体包括：

获取浏览信息中的所有关键词以及所有商品，为关键词和商品设置默认权重；

提取每个关键词对应的神经节点，将关键词、商品及神经节点根据对应关系联立起来建立权重矩阵。

优选地，所述通过神经网络的反向传播算法计算权重矩阵中的权重具体包括：

权重矩阵中关键词、商品或神经节点的权重等于1减去y的n次方，其中，n根据影响程度进行预设，y根据用户行为进行预设。

优选地，所述通过计算权重后的权重矩阵对商品进行浏览排序具体包括：

将权重矩阵中关键词、商品和神经节点的权重相加得到每个商品的最终权重；

根据最终权重的大小顺序对每个商品在浏览页面上进行排序。

优选地，该方法还包括：

提取用户的权重矩阵中所有关键词的权重，相加得到权重总和sum；

通过公式活跃度＝tanh(sum)计算得到该用户的活跃程度。

优选地，该方法还包括：

将权重矩阵写入redis/hbase的存储节点，通过nosql数据库对所有用户的神经网络进行存储。

优选地，该方法还包括：对权重设置正负5％的误差范围，以供神经网络进行自动修正。

优选地，该方法与电商商品线上业务系统异步运行。

本发明提供的一种基于神经网络的用户个性化商品浏览装置，包括：

存储器，用于存储指令；

处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的指令执行实现如上述的方法。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明提供的一种基于神经网络的用户个性化商品浏览方法及装置，其中方法包括：接收每个用户输入的浏览信息，根据浏览信息创建每个用户的神经网络的神经节点；获取浏览信息中的关键词和商品，以及创建得到的神经节点，生成权重矩阵；通过神经网络的反向传播算法计算权重矩阵中的权重；通过计算权重后的权重矩阵对商品进行浏览排序。本发明通过对每个用户设置不同的神经网络，且通过建立关键词、商品以及神经节点的权重矩阵，将关键词和商品之间的关系考虑起来，并且通过权重将关键词、商品及神经节点的重要程度进行设置，当用户输入关键词时，能够根据权重将重要的商品排列在前面，反映了用户关键词和商品的关系，解决了传统的电商系统不能反应用户输入关键词、类目与喜欢商品的关系的技术问题，更加能够根据用户的关键词列举出用户喜欢的商品。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为用户在电商网页的浏览购买商品时的简单漏斗图；

图2为神经网络加在“启动页–品类查找–搜索查找”和“商品”层之间的示意图；

图3为本发明提供的一种基于神经网络的用户个性化商品浏览方法的一个实施例的示意图；

图4为本发明提供的一种基于神经网络的用户个性化商品浏览方法的另一个实施例的示意图。

具体实施方式

本发明实施例提供了一种基于神经网络的用户个性化商品浏览方法及装置，用于解决传统的电商系统不能反应用户输入关键词、类目与喜欢商品的关系的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

以下先对本发明的研发原理进行详细的描述：

图1为用户在电商网页的浏览购买商品时的简单漏斗图。如图1所示，在查找商品和浏览商品之间，有大量的交叉使用。并最终形成购买。这种场景下，经过训练的神经网络具备较好的查找商品效果。

人工神经网络(artificialneuralnetworks，ann)系统是20世纪40年代后出现的一种技术。它起源于脑神经元学说。通过模拟人认知事物的方式，通过由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。

与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。

图2为神经网络加在“启动页–品类查找–搜索查找”和“商品”层之间的示意图。其中，虚线部分，表示用户从男装，选择了某一个商品，那么这个神经链路已经激活。当用户再次打开网页的时候，激活的神经链路相比其他神经链路更加活跃，权重更大，使得与该神经链路相关的商品权重更大，因而将相关商品排列在网页前面，使得用户更方便。

通过如图2所示的神经网络，可以使得用户更加容易找到自己感兴趣的商品，

因此，根据如图2的原理，请参阅图3，本发明提供的一种基于神经网络的用户个性化商品浏览方法的一个实施例，包括：

101、接收每个用户输入的浏览信息，根据浏览信息创建每个用户的神经网络的神经节点；

浏览信息包括但不限于用户输入的关键词、浏览过的商品、点击过的商品、收藏过的商品、购买的商品、点击的商品分类、进行过评论的商品、浏览时间超过预设值的商品等。根据浏览信息创建每个用户的神经网络的神经节点主要是根据浏览信息中的关键词和商品之间的关系创建神经节点，该神经节点反映浏览信息中的关键词和商品之间的关系。

102、获取浏览信息中的关键词和商品，以及创建得到的神经节点，生成权重矩阵；

103、通过神经网络的反向传播算法计算权重矩阵中的权重；

此处采用的神经网络可以是前馈神经网络或bp(backpropagation)神经网络(即反向传播神经网络)，但具体不限定，而是采用了反向传播算法，该算法能够通过反复修正权值和阈值，使得误差函数值最小，从而使得训练出来的模型精度更高。而本实施例中的神经网络具体是以用户输入浏览信息(关键词、商品等)为输入，以最终权重为输出(也可以是以最终的权重矩阵为输出)的神经网络。

104、通过计算权重后的权重矩阵对商品进行浏览排序。

本发明通过对每个用户设置不同的神经网络，且通过建立关键词、商品以及神经节点的权重矩阵，将关键词和商品之间的关系考虑起来，并且通过权重将关键词、商品及神经节点的重要程度进行设置，当用户输入关键词时，能够根据权重将重要的商品排列在前面，反映了用户关键词和商品的关系，解决了传统的电商系统不能反应用户输入关键词、类目与喜欢商品的关系的技术问题，更加能够根据用户的关键词列举出用户喜欢的商品。

请参阅图4，本发明提供的一种基于神经网络的用户个性化商品浏览方法的另一个实施例，包括：

201、接收每个用户输入的浏览信息；

浏览信息包括但不限于用户输入的关键词、浏览过的商品、点击过的商品、收藏过的商品、购买的商品、点击的商品分类、进行过评论的商品、浏览时间超过预设值的商品等。

202、分别获取各个用户浏览信息中的所有关键词及每个关键词对应的商品；

203、对每个关键词检测是否存在与关键词对应的神经节点，若否，则创建与该用户、关键词及商品对应的神经节点；

用户输入某个关键词，则说明该关键词在用户中具有一定地位，则需要建立相关的神经节点。若用户在通过该关键词搜索出来的商品中购买了某个商品，或收藏了某个商品，或点击了某个商品，说明用户对该商品感兴趣。举个例子，如某用户输入了自行车这一关键词，最终选购了永久牌自行车，，则会建立“自行车—永久牌自行车”这一神经节点。若用户输入某关键词，但是没有做任何关于商品的行为，甚至连点击商品都没有做，则不会建立神经节点。

可以用代码表示为：defgenerate_hidden_node(self,wordids,goodsid)。其中self是用户代码，本发明为每个用户定制个性化的商品浏览体验，可以对每个用户建立独特的神经网络系统，每个人的习惯和爱好是不同的，同样的关键词对应的商品不同。wordids表示关键词，goodsid表示商品名称，通过商品名称可以查询到相关的浏览信息，如该商品被用户购买、收藏还是点击。

原理为：用户输入的关键词是(前段)-神经网络(内部处理)--商品(最终用户点击，购买，加入收藏等行为)。

204、设置每个神经节点的默认权重；

默认权重一般为1。

205、获取浏览信息中的所有关键词以及所有商品，为关键词和商品设置默认权重；

206、提取每个关键词对应的神经节点，将关键词、商品及神经节点根据对应关系联立起来建立权重矩阵；

可以用代码表示为：

其中，[1.0]是默认权重，以后会进行训练。

207、权重矩阵中关键词、商品或神经节点的权重等于1减去y的n次方，其中，n根据影响程度进行预设，y根据用户行为进行预设；

神经网络会接受输入并且给出输出，但是如果它不知道什么是正确答案。那么输出也就没有了意义。通过跟踪用户搜索的关键词(分类)，响应的商品列表，用户决定点击的商品的情况。对神经网络进行计算。我们要根据每一个用户，选择他/她喜欢的商品，因此对每个人的情况，都是差异化的，因此每个用户的神经网络节点也会有差异。使用的算法是“反向传播法”。也就是根据用户点击的商品，来决定输入的关键词(分类)对应的商品的神经节点的权重。

正确答案决定的方向，对权重的影响非常大，一般使用平方，甚至更高次方来进行。

例如：f(y)＝1.0-y*y；

n的预设方法根据影响程度进行预设，比如是关键词的影响程度，一般认为在整个权重矩阵中影响比较大，因此n可以采取3次方或4次方等。

y的预设可以根据用户的行为来确定，如前述浏览信息中包含购买的商品、收藏的商品等，因此，根据商品对应的商品行为，可以具体设定y的值，比如购买的商品，认为比较重要，则y值较大，n可以选2次方，举个例子，用户购买一个品牌最终算出的权重为60％，浏览一个品牌最终算出的权重为30％，加入购物车的品牌最终算出的权重为10％。

208、将权重矩阵中关键词、商品和神经节点的权重相加得到每个商品的最终权重；

如上述矩阵中有三个权重，将其加起来可以的到最终权重。

209、根据最终权重的大小顺序对每个商品在浏览页面上进行排序。

进一步地，该方法还包括：

提取用户的权重矩阵中所有关键词的权重，相加得到权重总和sum；

通过公式活跃度＝tanh(sum)计算得到该用户的活跃程度。

前馈算法中可以引入s函数，一般可以使用“双反曲正切变换函数”。将本节点的活跃度加权之后的值，也就是sum，计算活跃程度。

活跃度＝tanh(sum)。

活跃度的作用可以用做筛选。生物学上的介绍，就是敏感度越高神经，反应越强烈。具体到我们这个中，就是活跃度越高的神经网络节点，优先权更高。因为一个关键词可能影响到非常多神经网络节点。用活跃度做过滤比较合适。人之类的生物，对普通的刺激，有适应性。同样的刺激，过一段时间呢，就没效果了。所以，若某节点的活跃度较低，当系统数据太多的时候，就可以把活跃度较低的去掉。

进一步地，该方法还包括：

将权重矩阵写入redis/hbase的存储节点，通过nosql数据库对所有用户的神经网络进行存储。

将计算后的结果写入redis/hbase的存储节点。因此大规模电商中，用户规模能达到3-5亿，甚至更多，常用用户会产生几千个节点的神经网络，因此需要使用nosql存储。

进一步地，该方法还包括：对权重设置正负5％的误差范围，以供神经网络进行自动修正。

进一步地，该方法与电商商品线上业务系统异步运行。

神经网络可以做成异步的，以免对线上业务产生影响。

本发明中的对应关系为：一个用户对应一个神经网络，一个网络里面，有很多的关键词和商品的对应关系，即：一个用户，一个矩阵，一个网络，多个关键词，关键词和商品是多对多。

本发明的关键点在于：

1、使用神经网络来关注用户输入信息，和点击商品之间的关系；

2、对每个用户建立独特的神经网络系统；

3、采用s函数模拟神经网络的输出；

4、采用反向传播对正确答案打分；

5、使用nosql对大量用户神经节点进行存储。

本发明提供的一种基于神经网络的用户个性化商品浏览装置，包括：

存储器，用于存储指令；

处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的指令执行实现如上述的方法。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。