[发明专利]一种基于递归神经网络的推荐方法及系统

权利要求书

1.一种基于递归神经网络的推荐方法，其特征在于，所述基于递归神经网络的推荐方法包括以下步骤：

S1、收集用户对物品的历史行为，并建立递归神经网络；

S2、按照行为发生时间对每一个用户记录的历史行为进行先后排序；并针对每一个用户生成相应的训练样本；

S3、根据训练样本对递归神经网络进行训练，确定递归神经网络中的权重矩阵；

S4、根据训练后的递归神经网络为每一个用户生成推荐列表；

所述递归神经网络包括输入层、隐藏层以及输出层，其中，所述输入层的输入包括用户信息U、用户t时刻的行为信息A(t)以及用户t时刻行为的目标物品信息I(t)，所述隐藏层的输出包括t时刻隐藏层的输出S(t)以及t-1时刻隐藏层的输出S(t-1)，所述输出层的输出包括t时刻输出层的输出O(t)；

所述输入层的输入与隐藏层的输出S(t)之间存在下列函数关系：

S(t)＝f(VI(t)+WA(t)+XS(t-1)+TU)

其中，V,W,X,T分别表示输入层I(t)、A(t)、S(t-1)、U连接到隐藏层的权重矩阵；函数f是sigma函数，

2.根据权利要求1所述基于递归神经网络的推荐方法，其特征在于，

所述隐藏层的输出S(t)与输出层的输出O(t)之间存在下列函数关系：

O(t)＝g(YS(t))

其中，Y是隐藏层连接到输出层的权重矩阵，g是softmax函数，

3.根据权利要求2所述基于递归神经网络的推荐方法，其特征在于，所述步骤S3包括以下分步骤：

S31、随机生成权重矩阵T、V、W、X、Y、Z；

S32、检查收敛条件，即检查迭代次数是否达到上限；或目标函数的值是否不再减小；如果不满足收敛条件，则进入步骤S33；反之则确定了递归神经网络中的权重矩阵；

S33、根据每一个用户的训练样本对递归神经网络进行训练。

4.根据权利要求3所述基于递归神经网络的推荐方法，其特征在于，

所述目标函数为迭代次数上限为K≤100；

其中，s是训练样本数量，O(t)表示输出层的输出，t_i的含义是第t时刻训练样本中的物品编号。

5.根据权利要求4所述基于递归神经网络的推荐方法，其特征在于，所述步骤S33包括以下分步骤：

S331、计算输出层梯度；

计算输出层的梯度EO(t)＝I(t)-O(t)；

S332、更新隐藏层到输出层的权重矩阵；

更新权重矩阵Y：Y_ij(t+1)＝Y_ij(t)+αS_j(t)EO_i(t)-βY_ij(t)；

S333、计算隐藏层梯度；

计算隐藏层的梯度ES(t)＝YEO(t)e(S(t)(1-S(t)))；

S334、更新输入层到隐藏层的权重矩阵；

更新权重矩阵T,V,W,X

T_ij(t+1)＝T_ij(t)+αU_jES_i(t)-βT_ij(t)

V_ij(t+1)＝V_ij(t)+αI_jES_i(t)-βV_ij(t)

W_ij(t+1)＝W_ij(t)+αA_jES_i(t)-βW_ij(t)

X_ij(t+1)＝X_ij(t)+αS_j(t-1)ES_i(t)-βX_ij(t)

其中，α是学习率，β是正规化参数。