[发明专利]一种基于对偶自编码器的组推荐方法

说明书

本发明属于计算机技术推荐方法领域，涉及一种基于对偶自编码器的组推荐方法。据我们所知，大部分组推荐系统只利用用户评分信息进行推荐，缺乏使用方面信息进行组推荐。在本发明中，我们通过使用自编码器来学习融合了群组偏好的隐因子表达式。另一方面，我们注意到群组成员内不同用户对群组的影响力是不同的。我们建议使用组员在群组中的代表性来表达群组中每个用户的影响力。同时我们还考虑了组间差异性和物品间差异性对群组推荐的影响。本发明通过学习群组的潜因子表达式和物品的潜因子表达式来预测群组对物品的评分，发、然后通过top‑k排序为群组推荐一个列表。

技术领域

本发明属于计算机技术推荐方法领域，涉及一种基于对偶自编码器的组推荐方法。

背景技术

近年来，推荐系统逐渐成为人们在海量数据中发现有价值信息的重要工具.在目前的研究中，大部分的推荐算法是针对单独用户设计的，实际中还有很多应用是针对多人进行推荐，例如，针对多人的电视节目推荐或者旅游地点推荐.在这些情景下，根据适合单独用户的推荐算法无法给多人产生满意的推荐结果，因为一个用户满意的推荐结果对其他人来说很可能不是太好的选择.因此，如何选择推荐内容使群组内每个组员都满意或者接受是面向群组的推荐算法需要解决的主要难题.

根据组推荐过程中偏好融合的时机，偏好融合方法可以分为模型融合和推荐融合。模型融合方法根据群组成员的用户偏好模型融合生成群组偏好模型，然后基于群组偏好模型生成组推荐；推荐融合方法先利用传统推荐算法对每个群组成员生成推荐，然后将所有群组成员的推荐结果融合得到群组推荐结果。本发明提出的算法属于模型融合。

组推荐过程中不仅要考虑组内成员差异性对推荐结果的影响，还要考虑组间差异性和物品间差异性对推荐结果的影响。因此我们在研究过程中要同时考虑三者对推荐结果的影响，同时我们发现在现阶段的群组推荐系统中缺乏融合方面信息的群组推荐。因此我们提出一种对偶自编码器模型来融合群组对方面的偏好的信息的同时考虑组内成员差异性、组内成员差异性、物品间差异性对推荐结果影响。

发明内容

为了解决现有技术存在的问题，本发明提出了一种新颖的基于深度学习的组推荐，该框架使用了对偶自编码器模型并同时融合了群组对方面的偏好信息，并提出了一种有效的计算方法来衡量用户在群组中的影响力。该对偶自编码器通过同时输入某个群组方面偏好向量、某个物品方面质量向量、群组关系向量和物品关系向量得到群组隐式的偏好表达式和物品隐式的质量表示式。将获取的两个表达式点集获取群组对物品的预测评分。

为实现本发明的目的，本发明再将用户融合成群组的同时将方面信息融合进去，本发明的方面信息是通过文本主题模型LDA获取的，并且本发明考虑了群组推荐过程中群组间差异性和物品间差异性对群组推荐的影响。本发明将获取的各个矩阵的每一行送入到自编码器中获取潜特征表达后获得与测评分，再根据top-k为群组推荐k个项目。本发明的群组推荐包括以下步骤

a.从互联网中采集需要用到的数据集，并对数据集进行预处理，生成用户行为数据存放到用户行为信息数据库。

b.本发明中的数据集是未分组的数据集，此时我们需要通过未分组的用户进行分组，在分组过程中我们有以下实施方式：

b1.考虑到群组规模会对群组推荐产生影响，我们可以对未分组的用户分取不同规模大小的群组然后根据实验对比获取最佳规模的群组。

b2.考虑到组内相似性对群组推荐的影响，我们可以通过分取高相似度的群组、低相似度的群组和随机群组三个分组模式对用户进行分组人后分、根据实验结果的对比获取最佳相似度的群组。

b3.本发明中我们可以预定义群组大小，然后根据k-mean聚类算法对未分组的用户进行聚类分组，然后将分组信息存储到数据库中。

c.方面信的息提取：使用文本主题模型LDA从评论数据集中获取各个主题以及每个主题的主题词。每个主题代表一个方面。在本发明中一共有k个方面