[发明专利]基于长短期记忆神经网络与兴趣迁移的项目评分预测方法

说明书

本发明公开一种基于长短期记忆神经网络与兴趣迁移的项目评分预测方法，该方法结合用户的评分记录和项目的类别分别构建用户‑项目访问时间表和用户‑评分表，进而为每一个用户建立了兴趣‑评分关联表。根据推荐的个性化需求，基于上述数据为每一个用户训练LSTM模型，在综合考虑用户的历史行为和兴趣变化的情况下实现了用户对指定项目的评分预测。该方法将LSTM模型运用到推荐系统中，具有较高的准确度，证实了用户的兴趣迁移对用户评分预测的影响。

技术领域

本发明涉及关联个性化推荐技术领域，具体涉及一种基于长短期记忆(LSTM)神经网络与兴趣迁移的项目评分预测方法。

背景技术

传统的推荐技术基于用户兴趣偏好构建个性化推荐服务模型，实现用户与推荐对象的有效匹配。但在实际环境中，由于各种内外因素影响，用户的偏好往往会随时间发生变化，即用户兴趣产生迁移。现有的以协同过滤为代表的推荐算法主要开采用户的历史“行为”数据进行相似度计算，进而识别推荐对象，未充分兼顾用户的兴趣变化。因此，需要构建一个准确的用户兴趣模型，充分开采用户的兴趣变化，精确模拟用户的兴趣迁移与变化，准确识别推荐项，提升用户黏度。

发明内容

本发明所要解决的是将用户的兴趣迁移与变化嵌入到个性化推荐任务、提升精准服务质量的问题，提供一种基于长短期记忆神经网络与兴趣迁移的项目评分预测方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于长短期记忆神经网络与兴趣迁移的项目评分预测方法，包括步骤如下：

步骤1、对项目类别进行编码标号，构建项目类别标签词典；根据每一项目的属性取值将项目归属到不同的类别中；基于每一项目的所属类别和类别标签词典，构建项目与类别表；

步骤2、分别构建两个N行M列的矩阵，分别存放N个用户对M个项目的访问时间和评分；扫描输入的样本数据集，提取用户对项目的访问时间填充用户与项目访问时间表，提取用户对项目的评分填充用户与评分表；

步骤3、对于每一用户，分别从项目与类别表、用户与项目访问时间表、以及用户与评分表中筛选出与该用户相关的记录，构建该用户在不同时刻的兴趣与评分关联表；

步骤4、逐行提取兴趣与评分关联表中的记录，将用户偏好随时间发生的变化部分作为模型的输入，将用户评分部分作为模型的输出，去训练每个用户基于长短期记忆神经网络模型；

步骤5、每个用户基于长短期记忆神经网络模型训练完毕后，将所有用户基于长短期记忆神经网络模型存储；当需要对某一用户即将访问某一项目的评分进行预测时，只需输入所需预测的用户ID和项目ID，即可自动提取该用户对应的基于长短期记忆神经网络模型，并自动从项目类别词典中查询该项目的项目类别信息输入到该用户对应的基于长短期记忆神经网络模型中，即可得到所需的预测评分结果。

上述步骤3中，需要对每个用户的兴趣与评分关联表中的记录按照访问时间进行升序排序。

上述步骤4中，采用神经网络优化算法来训练每个用户基于长短期记忆神经网络模型。

与现有技术相比，本发明采用深度递归神经网络中的长短期记忆模型(LSTM)提供一种基于用户历史数据进行兴趣迁移计算并最终实现推荐对象的评分预测的模型，通过构建长短期记忆深度递归神经网络模型，对用户在某领域下的访问记录进行处理。该记录应包含用户在一定时间内访问项目的类别，项目属性，项目评分以及访问时间。模型综合用户在访问过程中所体现的兴趣偏好迁移，预测用户下一时间对某项目的评分进而实现推荐。该方法运用神经网络模型，同时实现了评分预测和时序预测的效果，具有较高的准确度。

附图说明

图1为基于长短期记忆神经网络与兴趣迁移的项目评分预测方法的流程图。

具体实施方式