(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 202211073967.3 (22)申请日 2022.09.02 (71)申请人 哈尔滨工业大 学 （威海） 地址 264209 山 东省威海市环翠区文化西 路2号 (72)发明人 张恺琪　初佃辉　涂志莹　 (74)专利代理 机构 哈尔滨龙 科专利代理有限公 司 23206 专利代理师 李智慧 (51)Int.Cl. G06Q 30/06(2012.01) G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于用户短期偏好的服 务推荐方法 (57)摘要 本发明公开了一种基于用户短期偏好的服 务推荐方法， 首先正式定义了服务推荐中的行为 惯性， 并通过用户购买商品的数量和概率对其进 行量化。 其次， 总结了三种用户购买行为模式， 以 提取特征作为模 型的输入， 以预测用户将购买的 候选商品集。 最后， 通过将用户兴趣保持量定义 为改变用户当前状态的 “外力”来适应牛顿第一 定律以解决推荐问题。 并通过艾宾浩斯遗忘曲线 计算用户的兴趣保持量， 将用户的惯 性和兴趣留 存进行比较， 判断用户当前的购买状态是否发生 了变化， 选择可能改变用户购买状态的商品作为 最终推荐结果。 本发明提高了推荐结果的有效 性。 权利要求书2页 说明书5页 附图2页 CN 115439187 A 2022.12.06 CN 115439187 A 1.一种基于用户短期偏好的服 务推荐方法， 其特 征在于所述方法包括如下步骤： 步骤S1、 统计并分析 大规模真实数据集， 提取用户行为模式： 步骤S11、 对大规模真实数据集进行统计分析， 该数据集包含浏览、 加购、 收藏以及购买 四种行为， 分别表示为pv、 cart、 fav以及buy， 数据集的每一行表示一条用户行为， 由用户 ID、 商品ID、 商品类目ID、 行为类型和时间戳组成； 对数据集进行筛选和整理， 统计用户浏 览、 加购以及收藏行为对用户偏好产生的影响； 步骤S12、 提出三种用户行为模式， 包括随机式、 往复式和渐进式， 通过用户每分钟浏览 不同种类服 务的次数区分用户当前不同的行为模式； 步骤S2、 建立用户行为惯性模型： 定义服务推荐问题中的用户行为惯性， 并量化不同用户的行为惯性大小， 同时根据浏 览时间间隔长短和遗忘曲线计算用户记忆保留度m(Ti)， 最后通过用户记忆保留度m(Ti)计 算用户兴趣保持量Ri； 步骤S3、 建立用户短期兴趣推荐模型， 并完成最终的推荐： 用户短期兴趣推荐模型主要包括两个模块： 基于用户模式的短期偏好模块和概率校正 模块， 其中： 基于用户模式的短期偏好模块通过用户的各种 行为数据学习到用户短期 内偏 好； 概率校正模块用于判断不同商品对于用户当前状态的影响程度， 并校正用户模式的短 期偏好模块中输出的预测概 率。 2.根据权利要求1所述的基于用户短期偏好的服务推荐方法， 其特征在于所述步骤S2 的具体步骤如下： 步骤S21、 假设用户有n个购买动机(x1,x2,...,xi,...xn)， 将单个商品视为一个动机， xi 的出现概 率为p(xi)， 并计算用户行为惯性B； 步骤S22、 计算用户记忆保留度m(Ti)， 通过艾宾浩斯曲线呈现的遗忘 过程来反映用户记 忆保留度m(Ti)； 步骤S23、 通过用户记 忆保留度m(Ti)计算用户兴趣保持量Ri。 3.根据权利要求1或2所述的基于用户短期偏好的服务推荐方法， 其特征在于所述用户 记忆保留度m(Ti)的计算公式如下： 其中T是自变量， 表示当前时间到浏览商品i之间的时间间隔， e是自然数基数， b、 c和δ 是常数， t0＝0.00255。 4.根据权利要求1或2所述的基于用户短期偏好的服务推荐方法， 其特征在于所述用户 兴趣保持量Ri的计算公式如下： 其中Vi是用户查看商品i的次数， V是用户查看使用过商品的总次数， T是自变量， 表示 当 前时间到浏览商品i之间的时间 间隔， e是自然数基数， b、 c和 δ 是常数， t0＝0.00255。 5.根据权利要求1所述的基于用户短期偏好的服务推荐方法， 其特征在于所述步骤S3 的具体步骤如下：权　利　要　求　书 1/2 页 2 CN 115439187 A 2步骤S31、 由于淘宝大规模真实数据集中没有具体类别名称， 首先通过FP ‑tree挖掘数 据集中商品类别之间的关联关系， 设置合 适的支持度参数并找出 频繁k项集； 步骤S32、 将步骤S1中的用户行为， 包括点击、 加购、 收藏以及用户每分钟浏览商品次数 作为特征输入到用户短期兴趣推荐模型中； 将步骤S31中挖掘出 的关联关系同样作为特征 输入到用户短期兴趣推荐模型中； 步骤S33、 通过LSTM算法对用户短期兴趣进行 学习， 最终输出 预测每个商品的概 率； 步骤S34、 将牛顿第一定律中惯性与外力映射到服务推荐问题中， 并将步骤S2中计算所 得的用户兴趣保持量视为改变用户购买状态的外力， 在当前时刻t， 将用户u对商品i的兴趣 保持量与用户自身惯性进行比较， 判断用户购买行为是否发生改变； 步骤S35、 将步骤S33中输出的预测概率通过步骤S34的方式进行筛选， 保留兴趣保持量 大于用户惯性大小的商品， 最终生成预测结果。 6.根据权利要求5所述的基于用户短期偏好的服务推荐方法， 其特征在于所述步骤S33 的具体步骤如下： 将步骤S32中的用户行为及频繁k项集作为用户短期兴趣推荐模型的输入表示为xt＝ [ub； ft]， 其中： ub代表用户各种类型行为以及行为模式， ft表示为挖掘出的频繁k项集； 在用 户短期兴趣推荐模型中包含三个门， 分别为输入门it＝σ(Wi[ht‑1,xt]+bf)、 遗忘门ft＝σ(Wf [ht‑1,xt]+bi)以及输出门ot＝σ(Wo[ht‑1,xt]+bo)， 它们分别决定要存储、 遗忘和输出什么信 息， 其中： σ 是一个sigmoi d函数， 它 输出一个介于0和1之间的数字， Wi、 Wf以及Wo分别表示权 重， bi、 bf以及bo分别表示相应的偏置； gt＝tanh(Wc[ht‑1,xt]+bg)表示步骤t的新候选状态向量； ⊙是两个向量的元素乘积， ft ⊙ct‑1表示在我们决定忘记的旧状态ct‑1的信息后， 从旧状态获得的保 留信息； it⊙gt‑1表示 从我们决定存储的新状态gt中获得的新信息； ct＝ft⊙ct‑1+it⊙gt‑1是结合旧状态ct‑1和新 状态gt信息的最终状态向量； ht表示用户偏好的隐藏输出向量， 计为ht＝ot⊙tanh(ct)； 通过以上过程对用户短期兴 趣进行学习， 最终输出 预测每个商品的概 率。权　利　要　求　书 2/2 页 3 CN 115439187 A 3