[发明专利]一种基于混合深度学习模型的推荐方法与系统

权利要求书

1.一种基于混合深度学习模型的推荐方法，其特征在于，包括：

获取原始评分矩阵和项目评论文档作为推荐系统的输入；

采用栈式降噪自编码器对原始评分矩阵建模并进行训练，从训练得到的模型中提取隐层作为所述初始用户隐特征向量,并采用梯度下降算法进行更新所述初始用户隐特征向量，并且采用误差反向传播算法进行更新所述栈式降噪自编码器的参数；

利用所述项目评论文档构建主题词向量和主题概率，将所述主题词向量和所述主题概率应用于主题模型，得到文档主题向量；

采用卷积神经网络对所述项目评论文档建模并进行训练，从训练得到的模型中提取输出层作为文档特征向量；

基于所述文档主题向量和所述文档特征向量获得所述初始项目隐特征向量；

采用梯度下降算法进行更新所述初始项目隐特征向量，并且采用误差反向传播算法进行更新所述卷积神经网络的参数；

通过构建新的推荐系统的目标函数，基于优化后的用户与项目隐特征向量产生融合用户隐特征与项目隐特征的更加准确的预测评分矩阵，所述预测评分矩阵为概率矩阵分解PMF模型；

基于所述预测评分矩阵进行个性化推荐作为所述推荐系统的输出；

其中，所述推荐系统的目标函数为：

其中，R_ij为处理之后的原始矩阵，U，V各代表用户与项目的隐特征向量，ω为卷积神经网络的权重，Y_j为卷积神经网络的输入，w′为卷积的权重，k为主题，θ_jk为第j个项目的主题分布，w_jn,代表项目评论文本中的单词。

2.根据权利要求1所述的推荐方法，其特征在于，所构建的损失函数至少基于所述初始用户隐特征向量和初始项目隐特征向量并且基于贝叶斯公式而得到。

3.根据权利要求1所述的推荐方法，其特征在于，还包括：

获取更新评分矩阵，所述更新评分矩阵与所述原始评分矩阵的变化与所述推荐系统的输入相关；

利用所述更新评分矩阵替换所述原始矩阵进行更新所述推荐系统。

4.一种基于混合深度学习模型的推荐系统，其特征在于，包括：

输入模块，获取原始评分矩阵和项目评论文档作为推荐系统的输入；

第一构建模块，采用栈式降噪自编码器对原始评分矩阵建模并进行训练，从训练得到的模型中提取隐层作为所述初始用户隐特征向量,并采用梯度下降算法进行更新所述初始用户隐特征向量，并且采用误差反向传播算法进行更新所述栈式降噪自编码器的参数；

第二构建模块，利用所述项目评论文档构建主题词向量和主题概率，将所述主题词向量和所述主题概率应用于主题模型，得到文档主题向量；

采用卷积神经网络对所述项目评论文档建模并进行训练，从训练得到的模型中提取输出层作为文档特征向量；

基于所述文档主题向量和所述文档特征向量获得所述初始项目隐特征向量；

采用梯度下降算法进行更新所述初始项目隐特征向量，并且采用误差反向传播算法进行更新所述卷积神经网络的参数；

生成模块，通过构建新的推荐系统的目标函数，基于优化后的用户与项目隐特征向量产生融合用户隐特征与项目隐特征的更加准确的预测评分矩阵，所述预测评分矩阵为概率矩阵分解PMF模型；

输出模块，基于所述预测评分矩阵进行个性化推荐作为所述推荐系统的输出；

其中，所述推荐系统的目标函数为：

其中，R_ij为处理之后的原始矩阵，U，V各代表用户与项目的隐特征向量，ω为卷积神经网络的权重，Y_j为卷积神经网络的输入，w′为卷积的权重，k为主题，θ_jk为第j个项目的主题分布，w_jn,代表项目评论文本中的单词。