基于结构化用户意图识别的序列推荐方法及装置与流程

本发明涉及意图识别技术领域，特别涉及一种基于结构化用户意图识别的序列推荐方法及装置。

背景技术：

现有的购物软件会根据用户的喜好及需求进行推荐，现有的序列推荐方法关注用户的商品交互历史，主要是设计黑盒模型刻画交互历史中的模式，但是没有显式考虑用户在做出交互决策时的真实意图，另外现有方法没有推理未观测到用户意图使得对于序列推荐效果不佳。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于结构化用户意图识别的序列推荐方法，该方法刻画出用户在购买时的真实意图，并做出可解释地序列推荐。

本发明的另一个目的在于提出一种基于结构化用户意图识别的序列推荐装置。

为达到上述目的，本发明一方面实施例提出了一种基于结构化用户意图识别的序列推荐方法，包括：

获取用户的商品交互历史数据，通过自注意力编码器对所述商品历史交互数据进行信息聚合；

根据聚合后的数据，利用神经网络多层感知机求解用户的真实交互意图；

根据所述真实交互意图，通过图神经网络对用户意图进行转移，刻画用户的未来潜在意图。

本发明实施例的基于结构化用户意图识别的序列推荐方法，通过自注意力编码器对用户的商品购买历史进行编码，利用神经网络刻画用户在做出购买决策时的心理状态和真实意图，通过图神经网络，基于用户的真实意图做出意图的转移，刻画用户之后可能的意图。由此，模型能够更加透明地、可解释地模拟用户在购买商品时的心理状态，使得序列推荐的性能得以提升，可以应用在推荐系统、用户意图识别、可解释机器学习等方面。

另外，根据本发明上述实施例的基于结构化用户意图识别的序列推荐方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，刻画用户的未来潜在意图之后，还包括：

根据所述未来潜在意图为用户进行序列推荐。

进一步地，在本发明的一个实施例中，用户在推荐的序列中选择并标记需要的和不需要的序列，根据用户标记的结果对模型参数进行调整。

进一步地，在本发明的一个实施例中，所述用户真实交互意图包括用户在做出购买决策时的心理状态和真实意图。

进一步地，在本发明的一个实施例中，所述通过自注意力编码器对所述商品历史交互数据进行信息聚合，包括：

应用所述自注意力编码器对用户的商品购买历史进行编码。

为达到上述目的，本发明另一方面实施例提出了一种基于结构化用户意图识别的序列推荐装置，包括：

处理模块，用于获取用户的商品交互历史数据，通过自注意力编码器对所述商品历史交互数据进行信息聚合；

计算模块，用于根据聚合后的数据，利用神经网络多层感知机求解用户的真实交互意图；

求解模块，用于根据所述真实交互意图，通过图神经网络对用户意图进行转移，刻画用户的未来潜在意图。

本发明实施例的基于结构化用户意图识别的序列推荐装置，通过自注意力编码器对用户的商品购买历史进行编码，利用神经网络刻画用户在做出购买决策时的心理状态和真实意图，通过图神经网络，基于用户的真实意图做出意图的转移，刻画用户之后可能的意图。由此，模型能够更加透明地、可解释地模拟用户在购买商品时的心理状态，使得序列推荐的性能得以提升，可以应用在推荐系统、用户意图识别、可解释机器学习等方面。

另外，根据本发明上述实施例的基于结构化用户意图识别的序列推荐装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，推荐模块，用于根据所述未来潜在意图为用户进行序列推荐。

进一步地，在本发明的一个实施例中，调整模块，用于用户在推荐的序列中选择并标记需要的和不需要的序列，根据用户标记的结果对模型参数进行调整。

进一步地，在本发明的一个实施例中，所述用户真实交互意图包括用户在做出购买决策时的心理状态和真实意图。

进一步地，在本发明的一个实施例中，应用所述自注意力编码器对用户的商品购买历史进行编码。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的基于结构化用户意图识别的序列推荐方法流程图；

图2为根据本发明一个实施例的基于结构化用户意图识别的序列推荐装置结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于结构化用户意图识别的序列推荐方法及装置。

首先将参照附图描述根据本发明实施例提出的基于结构化用户意图识别的序列推荐方法。

图1为根据本发明一个实施例的基于结构化用户意图识别的序列推荐方法流程图。

如图1所示，该基于结构化用户意图识别的序列推荐方法包括以下步骤：

步骤s1，获取用户的商品交互历史数据，通过自注意力编码器对商品历史交互数据进行信息聚合。

具体地，通过自注意力编码器对用户的商品购买历史数据进行编码。

可以理解的是，引入潜在用户意图网络，为后续挖掘用户在做出购买决策时的心理状态和真实意图提供基础。

步骤s2，根据聚合后的数据，利用神经网络多层感知机求解用户的真实交互意图。

可以理解的是，在模型中引入用户识别模块，使得整个模型具有从用户的商品交互历史中可解释地识别出用户真实意图的能力。

在本发明的实施中，通过神经网络准确地、可解释地求解出的用户在做出购买决策时的心理状态和真实意图。

步骤s3，根据真实交互意图，通过图神经网络对用户意图进行转移，刻画用户的未来潜在意图。

可以理解的是，在模型中引入图结构，挖掘用户未来可能潜在的真实意图，可解释的模拟用户做出购买决策的心理。

具体地，通过图神经网络，基于用户的真实意图走出意图转移，根据用户以前的购买意图刻画出用户未来可能的意图，这样做出的模型具有可解释性和推荐性都更强。

在本发明的实施例中，在刻画出用户未来潜在意图之后，根据潜在意图为用户进行序列推荐，用户在推荐的序列中选择需要和不需要的序列，进行标记，根据用户标记的结果对模型参数进行调整，使得调整后的模型可以更加转准确地刻画用户的潜在需求。

根据本发明实施例提出的基于结构化用户意图识别的序列推荐方法，通过自注意力编码器对用户的商品购买历史进行编码，利用神经网络刻画用户在做出购买决策时的心理状态和真实意图，通过图神经网络，基于用户的真实意图做出意图的转移，刻画用户之后可能的意图。由此，模型能够更加透明地、可解释地模拟用户在购买商品时的心理状态，使得序列推荐的性能得以提升，可以应用在推荐系统、用户意图识别、可解释机器学习等方面。

其次参照附图描述根据本发明实施例提出的基于结构化用户意图识别的序列推荐装置。

图2为根据本发明一个实施例的基于结构化用户意图识别的序列推荐装置结构示意图。

如图2所示，该基于结构化用户意图识别的序列推荐装置10包括：

处理模块100，用于获取用户的商品交互历史数据，通过自注意力编码器对商品历史交互数据进行信息聚合。

计算模块200，用于根据聚合后的数据，利用神经网络多层感知机求解用户的真实交互意图。

求解模块300，用于根据真实交互意图，通过图神经网络对用户意图进行转移，刻画用户的未来潜在意图。

进一步地，在本发明的一个实施例中，推荐模块400，用于根据未来潜在意图为用户进行序列推荐。

进一步地，在本发明的一个实施例中，调整模块500，用于用户在推荐的序列中选择并标记需要的和不需要的序列，根据用户标记的结果对模型参数进行调整。

进一步地，在本发明的一个实施例中，用户真实交互意图包括用户在做出购买决策时的心理状态和真实意图。

进一步地，在本发明的一个实施例中，应用自注意力编码器对用户的商品购买历史进行编码。

需要说明的是，前述对基于结构化用户意图识别的序列推荐方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

根据本发明实施例提出的基于结构化用户意图识别的序列推荐装置，通过自注意力编码器对用户的商品购买历史进行编码，利用神经网络刻画用户在做出购买决策时的心理状态和真实意图，通过图神经网络，基于用户的真实意图做出意图的转移，刻画用户之后可能的意图。由此，模型能够更加透明地、可解释地模拟用户在购买商品时的心理状态，使得序列推荐的性能得以提升，可以应用在推荐系统、用户意图识别、可解释机器学习等方面。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。