[发明专利]一种基于深度学习的电影推荐方法

说明书

技术领域

本发明涉及电影推荐技术领域，尤其涉及一种基于深度学习的电影推荐方法。

背景技术

推荐系统是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。与搜索引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。

目前的推荐系统主要分为三类：基于内容的推荐系统、基于协同过滤的推荐系统和混合型推荐系统。基于内容的推荐系统其实本质上可以简化为一个回归问题，其将电影内容、情节作为特征值进行提取分类，然后预测用户对电影的评分，最后根据评分结果进行推荐。基于协同过滤的推荐系统一般以通过计算用户之间的相似度和电影之间的相似度的方式，来学习用户间和电影间潜在的特征，根据这个潜在的特征对用户评分进行预测。混合型推荐系统又称组合推荐系统，意在将多种推荐技术进行混合相互弥补缺点，从而获得更好的推荐结果。目前研究最多的当属内容推荐和协同过滤推荐的混合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法去产生一个推荐预测结果，然后通过加权的方式组合其结果。

针对现有的推荐算法，基于协同过滤的推荐算法是通过使用某一用户数据，来发现拥有偏好相似度较高的用户和电影，这会导致越热门的电影越会被推荐；另外一个比较严重的问题是每当有一个新电影上映之后，由于没有用户观看，所以根据用户数据来做推荐的协同过滤就束手无策了，也就是常说的冷启动问题。基于内容的推荐算法虽然能够避免冷启动等问题，但是对数据特征内容有良好的结构性，要求特征内容容易抽取，这又是影响推荐准确率的一个难以解决的问题。基于混合型推荐算法的推荐结果通常存在一个问题，即尽管有多种混合推荐的方法，但是在某一具体问题中并不见得都十分有效，所能做到的也是弥补问题为主。

深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出，基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。目前深度学习主要应用于图片识别、文本处理、机器翻译、计算机视觉、情感识别等方面，在推荐系统中的应用并没有其他几个方向成熟和广泛。

针对以上现有技术缺陷的分析，本发明可以借助深度学习领域的算法和模型来解决这些问题，并尽可能提升推荐准确度。

发明内容

针对上述问题中存在的不足之处，本发明提供一种基于深度学习的电影推荐方法。

为实现上述目的，本发明提供一种基于深度学习的电影推荐方法，包括：

步骤1、采用Replicated Softmax模型作为受限玻尔兹曼机的可见层，基于上述改进的受限玻尔兹曼机构建深度玻尔兹曼机；

步骤2、将用户数据预处理成二维向量input(评分，电影)输入至Replicated Softmax模型中；

步骤3、深度玻尔兹曼机随机初始化学习参数，所述学习参数包括权值参数和偏好参数；

步骤4、从可见层向隐藏层逐层正向推断，并从隐藏层向可见层逐层反向推断；

步骤5、通过吉布斯采样分别获得隐藏层状态和可见层的softmax状态；

步骤6、完成采样后利用对比散度法进行快速学习，不断地对学习参数进行调整，不断迭代上述操作，最后训练出适配该用户的模型。

作为本发明的进一步改进，在步骤1中，深度玻尔兹曼机没有关联记忆层，且每一层均为无向图。

作为本发明的进一步改进，在步骤2中，输入的评分为评分向量。

作为本发明的进一步改进，在步骤2中，若电影的总分为5分，用户对该电影的评分为4分，则评分向量为[0，0，0，1，0]。

作为本发明的进一步改进，在步骤6中，若未完成采样，则返回步骤3。

与现有技术相比，本发明的有益效果为：