[发明专利]业务推荐方法、装置及设备

权利要求书

1.一种业务推荐方法，其特征在于，包括：

获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵；

根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵，通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵；

根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。

2.如权利要求1所述的业务推荐方法，其特征在于，所述获取目标用户的用户通话关系邻接矩阵，具体为：

获取与目标用户有通话关系的其他用户；

获取目标用户和与其有通话关系的其他用户的订购业务内容；

通过余弦相似度函数计算所述目标用户的订购业务内容和与其有通话关系的其他用户的订购业务内容的相似度；

根据所述相似度生成用户通话关系邻接矩阵。

3.如权利要求1或2所述的业务推荐方法，其特征在于，所述神经网络为栈式降噪自编码神经网络。

4.如权利要求3所述的业务推荐方法，其特征在于，所述根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵，通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵，具体为：

所述栈式降噪自编码神经网络生成满足矩阵高斯分布的通话关系隐因子特征向量c_j：

其中j表示j列，表示克罗内克积，表示拉普拉斯矩阵，I_K为单位矩阵，λ_I为超参数；

所述栈式降噪自编码神经网络对所述业务内容矩阵进行编码，得到业务j的业务隐因子特征向量v_j：

其中j表示业务j，I_K为单位矩阵，为超参数，为噪声数据；

所述栈式降噪自编码神经网络对目标用户生成用户隐因子特征向量u_i：

i为第i个用户，I_K为单位矩阵，为超参数；

根据所述通话关系隐因子特征向量c_j，生成通话关系隐因子特征矩阵

根据所述业务隐因子特征向量v_j，生成业务隐因子特征矩阵

根据所述用户隐因子特征向量u_i，生成用户隐因子特征矩阵

5.如权利要求4所述的业务推荐方法，其特征在于，根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵，通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵，之后进一步包括：

针对用户业务对(i,j)生成评分R_i1：

其中K_i1为置信参数，用来衡量目标用户i对业务j的评分可信度读，如果R_i1＝1，则K_i1＝a，R_i1＝0，则K_i1＝b，ab0。

6.如权利要求1或2所述的业务推荐方法，其特征在于，所述神经网络为卷积神经网络。

7.如权利要求1-6任意一项所述的业务推荐方法，其特征在于，所述根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐，进一步包括：

获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵的训练数据集；

初始化所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵；

根据所述训练数据集更新所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵。