[发明专利]一种基于混合深度学习模型的推荐方法与系统

说明书

本发明实施例涉及一种基于混合深度学习模型的推荐方法与系统。所述推荐方法包括：获取原始评分矩阵和项目评论文档作为推荐系统的输入；基于所述原始评分矩阵构建初始用户隐特征向量；基于项目评论文档构建初始项目隐特征向量；通过构建新的推荐系统目标函数，生成优化后的用户与项目隐特征向量，从而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；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。本发明实施能够解决了推荐系统数据极度稀疏性和推荐精度不准确的问题，利用混合深度学习模型提取多源异构数据的非线性特征，融入到基于概率矩阵分解的协同过滤推荐算法中，从而使得推荐系统的关键性能得到改善。

技术领域

本申请实施例涉及深度学习领域，特别涉及一种基于混合深度学习模型的推荐方法和系统。

背景技术

随着移动互联网、物联网、社交网络、云计算和人工智能等新一代信息技术与行业、产业紧密结合，将人们带进了大数据时代。随着信息资源迅猛增长，用户要在海量信息空间中获取符合自己需求信息变得非常困难。为了解决这些问题，个性化推荐系统应运而生，主要的推荐方法有以下三种：基于内容的推荐，协同过滤推荐和混合推荐，由于各种推荐方法都有优缺点，所以混合推荐经常被采用，研究和应用最多的是内容推荐和协同过滤推荐的混合，但基于内容的推荐获取的是浅层特征，不能很好的描述用户与项目的行为特征，导致推荐精度不高。深度学习模型的出现，恰好能够提取到深层次的特征，使得混合推荐系统不仅具有传统推荐方法的简单、可解释性强等优点，而且使得推荐精度更高，已经成为越来越多的研究者关注的研究热点。但是现有技术中的推荐算法的推荐精度还存在改进的空间。

申请内容

本申请提供了一种基于混合深度学习模型的推荐方法和系统，能够提供推荐精度。为了解决上述技术问题，本申请实施例一方面提供了一种基于混合深度学习模型的推荐方法，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；基于所述原始评分矩阵构建初始用户隐特征向量；基于所述项目评论文档构建初始项目隐特征向量；通过构建新的推荐系统目标函数，生成优化后的用户与项目隐特征向量，从而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；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。

作为优选，所述基于所述原始评分矩阵构建初始用户隐特征向量，包括：采用栈式降噪自编码器对所述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。

作为优选，所述通过构建新的推荐系统目标函数，生成优化后的用户与项目隐特征向量，从而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，包括：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。

作为优选，所述基于所述项目评论文档构建初始项目隐特征向量，包括：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。

作为优选，所述通过构建新的推荐系统目标函数，生成优化后的用户与项目隐特征向量，从而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，包括：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。

作为优选，所构建新的推荐系统目标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。

作为优选，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。