[发明专利]一种基于用户空间的多GRU层神经网络的隐含反馈推荐方法及系统

权利要求书

1.一种基于用户空间的多GRU层神经网络的隐含反馈推荐方法，其特征在于：所述方法包括如下步骤：

1)收集用户访问物品的历史行为信息，根据每一位用户访问物品的记录，按照行为发生时间的先后排序，为每一位用户生成训练样本；

2)将物品映射到用户空间；

3)根据训练样本，对多GRU神经网络结构进行训练；

4)根据训练后的神经网络结构为用户生成推荐列表。

2.根据权利要求1所述基于用户空间的多GRU层神经网络的隐含反馈推荐方法，其特征在于：所述步骤1)中，网络服务供应商记录了用户访问过的物品信息，该记录为一个三元组集合，包括用户、物品以及访问时间。

3.根据权利要求1所述基于用户空间的多GRU层神经网络的隐含反馈推荐方法，其特征在于：所述步骤2)包括以下分步骤：

2a)每个物品用向量v表示，初始时为随机生成；

2b)每个用户有一个代表其偏好的矩阵u，初始时为随机生成；

2c)在进入神经网络之前，做变换v_u＝u×v，其含义是将物品的向量v经过由用户偏好矩阵u表示的线性变换，变换到用户空间，该空间和特定用户的偏好相关。

4.根据权利要求1所述基于用户空间的多GRU层神经网络的隐含反馈推荐方法，其特征在于：所述步骤3)包括以下分步骤:

3a)多GRU层神经网络是一个含有多个GRU层的递归神经网络，其t时刻的输入层为v_u(t)，输出层为o(t),s(t)为t时刻隐藏层的输出，s(t-1)为t-1时刻隐藏层的输出；

3b)根据多GRU层神经网络，计算出该神经网络的隐藏层、输出层、重置门、更新门、替代隐藏层以及利用训练样本进行训练得到权重矩阵；

3c)检查收敛条件，迭代次数达到上限或者目标函数的值不再减小，目标函数为其中||·||_F是F范数，θ代表所有的多GRU层神经网络中的连接权重矩阵，β是正规化参数，β的取值为1e-6，迭代次数上限K≤100，满足此条件时结束，否则进行步骤3d)；

3d)对步骤3c)中排序后的每一个训练样本，按照BP或BPTT算法，更新权重矩阵，其中用于BP或BPTT算法的学习率α的取值为0.001。