[发明专利]一种基于内容的用户个性化产品的匹配推荐方法

说明书

本发明公开了一种基于内容的用户个性化产品的匹配推荐方法，克服了现有技术中推荐算法仍需改进的问题因。该发明含有步骤一、基于用户的随机批量采样方法；步骤二、基于内容的用户产品匹配方法：建立网络；按批量输入基于用户的随机批量采样方法得到有序的用户id，历史记录产品id列表，目标产品id和label的集合，分别在训练集、验证集、测试集上训练、调整、评估网络模型；输入特定用户以及其历史记录，使用基于内容的用户产品匹配网络预测其对所有未观看电影的评分并排序，最终输出top‑N的推荐结果。本发明采用轻量级神经网络，大大减少了训练时间及训练设备要求，采样过程容易且模型输入更具随机性，预测结果泛化能力更强。

技术领域

本发明涉及推荐算法领域，特别是涉及一种基于内容的用户个性化产品的匹配推荐方法。

背景技术

随着互联网时代的发展，信息过载现象日益严重，用户面临的产品选择越来越多，产品之间的竞争越来越大。推荐算法是一种匹配用户和产品的算法。好的推荐算法不仅可以节省用户时间、增加用户满意度，还可以增加产品的接受率、拉动交易额增长。

现有的推荐算法，一般都是通过协同过滤算法提前从用户产品交互信息矩阵中预训练得到产品隐因子和用户隐因子，再使用预训练得到的隐因子训练推荐模型进而得到推荐结果。然而用户产品交互信息矩阵不断变化，需要每隔一段时间重新进行预训练和再训练，这使推荐系统训练过程复杂、推荐结果实时性低，而且还存在冷启动问题，即无法针对新用户和新产品进行推荐。

由此可见，现有的推荐算法还存在诸多问题，急需改进。

发明内容

本发明克服了现有技术中，推荐算法仍需改进的问题，提供一种训练时间以短的基于内容的用户个性化产品的匹配推荐方法。

本发明的技术解决方案是，提供一种具有以下步骤的基于内容的用户个性化产品的匹配推荐方法：步骤一、基于用户的随机批量采样方法，步骤二、基于内容的用户产品匹配方法，

其中基于用户的随机批量采样方法，包括如下步骤：

步骤1.1、整理出交互信息文件、用户信息文件、产品信息文件并划分测试集和训练集；

步骤1.2、将用户信息和产品信息编码为数值向量；

步骤1.3、对于每个用户，对其历史记录进行随机数量的随机采取，并对采取结果反复采用leave-one-out的形式决定历史记录和目标产品；

步骤1.4、输出有序排列的用户id、历史记录产品id列表、目标产品id、label集合；

其中基于内容的用户产品匹配方法，包括如下步骤：

步骤2.1、建立网络；

步骤2.1.1、留出用户id、历史记录产品id列表、目标产品id的输入位置，对应位置输入的信息经过查找层得到对应的用户信息、历史记录产品信息和目标产品信息的编码；

步骤2.1.2、将用户信息、历史记录产品信息和目标产品信息的编码分别通过u网络、p网络和q网络映射到相同维度的隐因子空间；

步骤2.1.3、根据目标产品隐因子和用户历史记录产品隐因子对用户历史记录产品隐因子进行自适应加权得到用户历史偏好隐因子；

步骤2.1.4、使用用户历史偏好隐因子和用户表示隐因子加权得到用户画像；

步骤2.1.5、使用用户画像和目标产品隐因子通过全连接层预测匹配得分；

步骤2.1.6、使用coeff和偏置修正匹配得分；

步骤2.2、按批量输入基于用户的随机批量采样方法得到有序的用户id，历史记录产品id列表，目标产品id和label的集合，分别在训练集、验证集、测试集上训练、调整、评估网络模型；