[发明专利]基于LDA主题模型和深度学习的群组推荐方法

说明书

本发明公开了一种基于LDA主题模型和深度学习的群组推荐方法，包括：获取用户的历史信息，所述用户的历史信息包括：用户参与的服务信息、用户参与的群组信息；基于所述用户的历史信息中的主题内容以及LDA主题模型，获得所述用户的历史信息的期间范围内的动态偏好；描述所述用户的动态偏好与服务之间的对应关系；通过群组中各个用户之间的相互影响，修正群组内各个用户的动态偏好与服务之间的对应关系，之后得到群组对于服务的偏好。采用上述方案，可以解决用户偏好相对于时间因素而产生变化的问题；考虑到用户的社交关系对用户的服务选择的影响，更符合实际生活中推荐系统的需求，提高了推荐的精度和准确度。

技术领域

本发明涉及数据处理领域，尤其涉及一种基于LDA主题模型和深度学习的群组推荐方法。

背景技术

在大数据时代，如何从海量数据中高效获取有用数据吸引着越来越多的人研究。群组推荐是基于用户需求，以用户允许识别符合他们的需求、偏好、品味和目标为基础，查找对整个用户群有益的项目推荐。

现有技术中采取的方案，只考虑了用户的历史兴趣爱好信息对群组偏好的影响，忽略了用户社交关系的影响、以及时间变化对用户偏好的影响，导致了推荐效果不佳。

发明内容

发明目的：针对现有技术缺陷，本发明旨在提供一种基于LDA主题模型和深度学习的群组推荐方法。

技术方案：本发明实施例中提供一种基于LDA主题模型和深度学习的群组推荐方法，包括：获取用户的历史信息，所述用户的历史信息包括：用户参与的服务信息、用户参与的群组信息；基于所述用户的历史信息中的主题内容，获得所述用户的历史信息的期间范围内的动态偏好；描述所述用户的动态偏好与服务之间的对应关系；通过群组中各个用户之间的相互影响，修正群组内各个用户的动态偏好与服务之间的对应关系，之后得到群组对于服务的偏好。

具体的，定义用户相关偏好的矩阵；将所述用户的历史信息输入所述偏好矩阵，得到所述用户的偏好信息；将所述用户的偏好信息进行聚类；使用LDA获取各个聚类的主题分布；使用时间函数，调整用户在不同时间段对于主题分布的权重，得到用户动态偏好。

具体的，所述用户相关偏好包括：用户的服务偏好、用户的群组偏好，其中：所述用户的服务偏好包括：用户的服务语义偏好、用户的服务时间偏好、用户的服务位置偏好；所述用户的群组偏好包括：用户的群组标签偏好、用户的群组语义偏好。

具体的，述用户的服务语义偏好计算步骤如下：将所述用户的历史信息中用户参与的服务信息输入LDA文本主题模型；获取主题特征向量eS_u；

所述用户的服务时间偏好采用以下公式进行计算：

p(D，T|u)＝p(T|D，u)p(D|u)，

其中，p(D|u)为用户u在一个月内某天参与服务的概率，p(T|D，u)为用户u在一个月内某天中在时间段T参与服务的几率；

所述用户的服务位置偏好采用以下公式进行计算：

其中，L_u是用户u参加服务的位置集合，l、分别表示用户u参加服务的位置，K_σ为参数；

用户的群组标签偏好采用以下公式进行计算：

其中，i表示单词，j表示文档，表示标签字典内的单词，表示标签字典内的文档，t_j表示用户的历史信息内的文档，t_i表示用户的历史信息内的单词；

用户的群组语义偏好的计算步骤如下：将所述用户的历史信息中用户参与的群组信息输入LDA文本主题模型；获取主题特征向量eS_g。