[发明专利]基于深度神经网络的个性化推荐系统及方法

说明书

本发明提供一种基于深度神经网络的个性化推荐系统及方法，通过融合深度神经网络的候选集生成模块，结合多用户和多项目特征进行深度神经网络学习生成候选集，以及基于融合深度神经网络的排序集生成模块，结合多用户和多项目特征对候选集进行深度神经网络学习和评分，生成包含个性化推荐内容更优的排序集，最后基于协同过滤算法和排序集进行进一步的个性化推荐，得到最终的推荐列表。通过上述方式结合多用户和多项目提升推荐过程的精准度，并结合协同过滤算法实现精准个性化推荐。从而提高了个性化推荐效率和用户使用感受。

技术领域

本发明涉及数据挖掘及深度学习技术领域，更具体的是，涉及一种基于深度神经网络的个性化推荐系统及方法。

背景技术

随着现代互联网产业的飞速发展，互联网数据呈现几何级数的增长，用户对推荐数据的个性化、精准度、需求预判性的要求也越来越高。现有技术中常用的推荐算法包括协同过滤推荐、组合推荐、基于内容的推荐等。

基于目前互联网数据的感知变化，越来越多的用户和项目数据由视频、图像、标签、文本等多源异构数据构成，由此，在进行数据推荐的过程中所面对的数据内容复杂度也提高了。上述现有技术中常用的推荐算法主要适用于数据内容复杂度低的情况，在面对需要推荐多源异构数据等复杂度高的数据内容的情况下，仍然采用现有技术中常用的推荐算法，会导致推荐效率降低，影响用户感受的问题出现。

发明内容

有鉴于此，本发明实施例提供了一种基于深度神经网络的个性化推荐系统及方法，以解决现有的推荐方式推荐效率低，影响用户感受的问题。

为实现上述目的，现提出的方案如下：

本发明第一方面公开了一种基于深度神经网络的个性化推荐系统，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；

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。

优选的，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。

优选的，所述候选集生成模块，还包括：