[发明专利]一种基于生成对抗网络和双聚类的推荐方法及系统

说明书

本发明公开了一种基于生成对抗网络和双聚类的推荐方法及系统，属于计算机应用技术领域。方法包括：首先读取用户‑项目的不完备评价数据集，接下来构建由生成网络和判别网络组成的生成对抗网络，然后利用训练好的生成网络对缺失评价值进行预测和填充，最后进行双聚类，根据双聚类得到的子簇，进而对不同用户群进行对应的项目组推荐。本发明的推荐方法及系统利用训练好的生成网络对缺失评价值进行填充，克服了传统均值（或众数）、线性插值等缺失评价值填充方法精度低误差大的缺点；并且利用双聚类集成算法对填充后的完备评价数据进行聚类，比采用单个双聚类算法聚类的结果更有效，面向特定用户群推荐的项目组针对性更强，从而提高了推荐的效果。

技术领域

本发明涉及计算机应用技术领域，特别是基于深度学习和双聚类分析的推荐方法及系统。

背景技术

随着信息技术和互联网技术的发展，从海量信息中给用户推荐其可能感兴趣的信息成为一个研究热点。传统的推荐方法可以分为协同过滤推荐方法、基于内容的推荐方法和混合推荐方法三种。双聚类分析技术作为一种重要的无监督数据挖掘方法，它通过对数据矩阵的行和列同时进行聚类，从而获得隐藏在数据中的局部结构和有趣子模式。2000年CHENG和CHURCH提出双聚类的概念，并给出了双聚类的CC算法，该算法使用贪心迭代搜索算法寻找双聚类，并用随机数替换找到的双聚类对应元素，寻找下一个双聚类。在其基础上进行研究，不少学者得到了一些有意义的研究成果。2003年，YANG和WANG提出了FLOC算法，通过随机化初始聚类，修正了CC算法找不到重叠双聚类的缺点，但聚类结果容易陷入局部最优。于是，BRYAN和DIVINA等人分别将模拟退火算法和多目标进化算法应用于双聚类，有助于寻找双聚类问题的全局最优解。2012年，Hanczar等人提出用集成方法解决双聚类问题，取得了较好的效果。2014年，Goodfellow等人提出了著名的生成对抗网络，通过生成网络和判别网络的相互博弈得到一个优良的生成模型，目前已在图像分类、文本挖掘、图像修复、异常检测等领域获得广泛应用。例如，2017年，Li等人用生成对抗网络对部分遮挡或局部损坏的人脸图像进行修复。目前的各种推荐方法和系统大多没考虑含有缺失评价值的情况或者采用简单的均值(众数)代替法、线性插值法、回归预测法等，但这些方法存在精度低、误差大的问题。另外，现有推荐方法和系统在对不同用户群的针对性项目推荐方面也还存在着不够精准的问题。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于生成对抗网络和双聚类的推荐方法及系统，本发明克服了传统的推荐方法和系统缺失评价值填充精度低、误差大的局限性，可以实现对不同用户群进行精准的项目推荐。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于生成对抗网络和双聚类的推荐方法及系统，包括以下步骤：

步骤1、读取用户-项目的不完备评价数据集，并对非缺失评价值归一化；

步骤2、根据每一个用户对所有项目的评价数据中是否含有缺失值，将用户划分为不含缺失评价值的完备评价用户和含缺失评价值的不完备评价用户；

步骤3、基于完备评价用户对所有项目归一化后的评价数据矩阵，构建并训练生成对抗网络；

步骤4、利用训练好的生成网络预测和填充归一化后的缺失评价值，得到用户-项目的完备归一化后评价值对应的数据矩阵；

步骤5、基于填充后所有用户对所有项目的归一化后完备评价值数据矩阵，利用双聚类集成算法进行双聚类，从而得到由对应子簇构成的双聚类结果。

步骤6、针对双聚类的每个子簇，向其对应用户群进行关联项目组的推荐，从而提高推荐的效果。

作为本发明所述的一种基于生成对抗网络和双聚类的推荐方法及系统的技术方案，所述步骤3的构建并训练生成对抗网络具体如下：