[发明专利]基于深度神经网络的个性化推荐系统及方法有效
申请号: | 201810769873.7 | 申请日: | 2018-07-13 |
公开(公告)号: | CN108959603B | 公开(公告)日: | 2022-03-29 |
发明(设计)人: | 字云飞;李业丽;孙华艳;陆利坤;游新冬 | 申请(专利权)人: | 北京印刷学院 |
主分类号: | G06F16/9535 | 分类号: | G06F16/9535;G06N3/02 |
代理公司: | 北京集佳知识产权代理有限公司 11227 | 代理人: | 王宝筠 |
地址: | 102600 北京市大*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 神经网络 个性化 推荐 系统 方法 | ||
1.一种基于深度神经网络的个性化推荐系统,其特征在于,所述系统包括:
与深度神经网络融合的候选集生成模块,用于对第一多源异构数据源中的多源异构数据进行特征向量化,得到对应用户的第一用户特征向量和对应项目的第一项目特征向量,以及基于所述深度神经网络、所述第一用户特征向量和所述第一项目特征向量,进行深度神经网络学习及相似度计算,生成包含相似度由高至低排列的N个项目的候选集;
与深度神经网络融合的排序集生成模块,用于对第二多源异构数据源中的多源异构数据进行特征向量化,得到对应用户的第二用户特征向量和对应项目的第二项目特征向量,以及基于所述深度神经网络、所述第二用户特征向量、所述第二项目特征向量和所述候选集进行深度神经网络学习和评分,生成包含评分由高至低排列的k个项目的排序集;所述第二多源异构数据源的数据内容的精确度高于所述第一多源异构数据源的数据内容;
个性化推荐模块,用于基于协同过滤算法,计算所述排序集中k个项目的多用户-项目相关度,生成包含相关度由高至低排列的M个项目的推荐列表,其中,k的取值小于N,M的取值小于k,k、N和M为实数。
2.根据权利要求1所述的系统,其特征在于,所述候选集生成模块,包括:
第一数据单元,用于获取所述第一多源异构数据源中的多源异构数据,基于用户特征和项目特征对所述多源异构数据进行处理,确定分别对应用户的第一用户特征值和对应项目的第一项目特征值,对所述第一用户特征值和第一项目特征值进行特征向量化,得到对应的第一用户特征向量和第一项目特征向量;
第一深度神经网络学习单元,用于基于所述深度神经网络的隐含层ReLU激活函数对所述第一用户特征向量进行处理,得到对应的第一用户隐特征向量,以及基于隐含层ReLU激活函数对所述第一项目特征向量进行处理,得到对应的第一项目隐特征向量,以及基于所述第一用户隐特征向量确定第一用户隐表示,基于所述第一项目隐特征向量确定第一项目隐表示,拟合所述第一用户隐表示和所述第一项目隐表示,得到第一用户项目交互矩阵;
候选集生成单元,用于基于所述深度神经网络对所述第一用户项目交互矩阵进行分类训练学习以及相似度计算,确定包含相似度由高至低的N个项目的候选集。
3.根据权要求2所述的系统,其特征在于,所述候选集生成模块,还包括:
第一协同过滤单元,用于基于协同过滤算法和预设概率确定所述候选集的N个项目中作为第一级推荐的内容;
其中,所述预设概率为用户浏览任一信息的概率。
4.根据权利要求1所述的系统,其特征在于,所述排序集生成模块,包括:
第二数据单元,用于获取第二多源异构数据源中的多源异构数据,基于用户特征和项目特征对所述多源异构数据进行处理,确定分别对应用户的第二用户特征值和对应项目的第二项目特征值,对所述第二用户特征值和第二项目特征值进行特征向量化,得到对应的第二用户特征向量和第二项目特征向量;
第二深度神经网络学习单元,用于基于所述深度神经网络的隐含层ReLU激活函数对所述第二用户特征向量进行处理,得到对应的第二用户隐特征向量,以及基于隐含层ReLU激活函数对所述第二项目特征向量进行处理,得到对应的第二项目隐特征向量,以及基于所述第二用户隐特征向量确定第二用户隐表示,基于所述第二项目隐特征向量确定第二项目隐表示,拟合所述第二用户隐表示和所述第二项目隐表示,得到第二用户项目交互矩阵作为预测评分特征矩阵;
排序集生成单元,用于基于深度神经网络和所述预测评分特征矩阵进行分类和加权逻辑回归训练学习,并基于学习结果对所述候选集中的N个项目进行评分,生成包含评分由高至低排列的k个项目的排序集。
5.根据权利要求4所述的系统,其特征在于,所述个性化推荐模块,还包括:
第二协同过滤单元,用于基于协同过滤算法和预设概率确定所述排序集的k个项目中作为第二级推荐的内容;
其中,所述预设概率为用户浏览任一信息的概率。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京印刷学院,未经北京印刷学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810769873.7/1.html,转载请声明来源钻瓜专利网。