[发明专利]融合node2vec和深度神经网络的隐式反馈推荐方法

说明书

本发明公开了一种融合node2vec和深度神经网络的隐式反馈推荐方法，属于数据处理技术领域。本发明包括获取用户潜在向量和项目潜在向量的步骤；获取用户上下文预测和项目上下文预测的步骤；产生用户对项目偏好预测并进行训练的步骤；共同训练的步骤。本发明可以很好地考虑到用户和项目丰富的元数据信息，具有较高的推荐精确度和模型的训练效率。

技术领域

本发明属于数据处理技术领域，具体涉及一种融合node2vec和深度神经网络的隐式反馈推荐方法。

背景技术

在信息爆炸时代，推荐系统在减轻信息过载方面发挥了巨大作用。个性化推荐系统被广泛应用于电子商务、社交媒体等在线服务网络中。传统推荐基于过去的交互，对用户的项目偏好建模。目前采用神经网络进行推荐的解决方法主要关注显式反馈，并仅对评分数据进行建模。同时在涉及到用户和项目特征之间交互的时候，仍采用矩阵分解方式。最近的推荐趋势已经从明确的评价转向隐式反馈，如购买，点击，观看等。它不能直接表现出用户喜好倾向，但收集成本更低、应用场景更广、数据规模更大。在实际生活中，通过隐式反馈帮助用户探索新的兴趣方向，对用户和企业都具有极大的好处。目前针对隐式反馈的协同过滤推荐在现阶段主要面临以下两个挑战。

1)丰富的元数据信息：基于个性化的推荐系统具有丰富的元数据信息(属性信息等)。它们都影响着推荐结果的准确性。首先，用户的偏好受到自身属性的影响，如年龄、性别等。其次，会受到他们的社会关系的影响，特别是在像Facebook、豆瓣这样的社交网络中，用户可以看到朋友的状态。此外用户的偏好随着时间的推移而变化，并且可能遵循某些特定顺序。例如，在中午时间到餐厅，晚上可能到超市或者电影院等。考虑不同的元数据信息会得到不同的上下文预测。

2)数据稀疏性：基于个性化推荐的数据稀疏问题一直存在。例如，Netflix网站的电影推荐中数据密度只有1.2％，Foursquare网站和Yelp网站的项目推荐中使用的数据密度甚至在0.6％左右。数据的稀疏性等级直接导致传统协同过滤方法，即矩阵分解及其各种扩展方法的局限性。

发明内容

本发明目的是提供一种融合node2vec和深度神经网络的隐式反馈推荐方法，可以很好地考虑到用户和项目丰富的元数据信息，具有较高的推荐精确度和模型的训练效率。

具体地说，本发明是采用以下技术方案实现的，包括：

获取用户潜在向量和项目潜在向量的步骤：将one-hot形式的用户和项目作为输入向量，通过全连接嵌入层，将用户和项目向量映射为稠密向量，获得用户和项目潜在向量；

获取用户上下文预测和项目上下文预测的步骤：将用户潜在向量和项目潜在向量分别输入到上下文层，通过结合元数据，利用node2vec的随机游走策略来保留用户和项目之间的上下文信息；

产生用户对项目偏好预测并进行训练的步骤：将用户潜在向量和项目潜在向量进行融合，采用基于深度神经网络的偏好学习方法，在偏好预测层模拟用户和项目之间的交互，使用输出层产生的偏好预测来学习用户对项目的偏好；

共同训练的步骤：通过用户上下文预测、项目上下文预测和用户对项目偏好预测来共同训练模型。

进一步而言，所述获取用户上下文预测和项目上下文预测的步骤包括：

分别根据用户和项目各自包括的元数据信息构建上下文图；

采用基于元数据的node2vec的随机游走策略获得邻居节点序列；

给定一个用户和/或项目及其上下文即邻居节点，得到基于用户元数据上下文图的损失函数和基于项目元数据上下文图的损失函数，并使之收敛。

进一步而言，基于元数据的node2vec的随机游走策略中游走概率计算方式为：