[发明专利]一种基于深度神经网络的上下文感知推荐方法

说明书

本发明提出一种基于深度神经网络的上下文感知推荐方法，属于互联网信息推荐技术领域，本发明使用用户特征向量和推荐对象特征向量构建推荐方法，利用卷积神经网络算法提取每个推荐对象的文本特征，为每个推荐对象构建文本嵌入向量，使用矩阵分解技术提取用户潜在特征向量；本发明不需要专业领域知识和个体信息，安全简单；采用最小均方根误差作为优化约束条件，在实现过程中只需要针对评分矩阵进行训练，仍能给出正确的预测评分，避免了数据稀疏导致的预测误差问题；该方法利用深度神经网络对推荐用户潜在特征矩阵和推荐对象嵌入矩阵进行融合，得到高维的推荐对象特征向量，并且进行联合训练，使推荐方法避免过拟合，优化推荐结果。

技术领域

本发明属于互联网信息推荐技术领域，具体涉及一种基于深度神经网络的上下文感知推 荐方法。

背景技术

互联网的快速发展以及电子应用产品的迅速普及，使得多元化的社会中各个领域都充斥 着大量的信息。针对信息超载问题的有效的解决办法之一是个性化推荐系统，由推荐系统发 现用户的兴趣点，从而引导用户发现自己的信息需求。个性化推荐系统广泛应用于很多领域， 特别是在电子商务领域。在学术界，推荐系统也已逐步成为一门独立的学科。推荐方法是推 荐系统中最核心和关键的部分，很大程度上决定了推荐系统的类型和性能的优劣。

目前，主流的推荐方法主要分为：基于内容的推荐、基于协同过滤的推荐、基于关联规 则推荐、基于效用推荐、基于知识推荐、组合推荐6种：

(1)基于内容的推荐。

通过对推荐项的内容分析和用户的兴趣分析，发现与用户兴趣相匹配的项。然而，一方 面，基于内容的推荐依赖大量的历史数据，只能推荐与用户以前喜好相似的项，因为无法确 定的知道当前用户的喜好而无法解决冷启动问题；另一方面，基于内容的推荐除了对内容特 征提取困难的数据(如图形、视频等)不能进行很好的推荐外，还存在推荐结果单一化(用户只 能被推荐与自己过去评分相似的项目)和无法处理深度推荐；

(2)协同过滤推荐。

协同过滤推荐是推荐策略中最成功的策略。其基本思想是在日常生活中，我们往往会利 用好朋友的推荐来进行一些选择。协同过滤把这一思想运用到电子商务推荐系统中。这种思 想可以进一步地抽象，把用户和推荐对象抽象成特征描述，对目标用户推荐等同于与目标用 户偏好相似的用户的选择，即，用户的特征表述可以用于推测该用户的喜好。一方面，现有 的协同过滤推荐系统中实际上较少使用用户和推荐对象的特征。原因主要是用户兴趣偏好的 获取方法和推荐对象特征提取方法不是很适用，需要引入更精确适用的用户和对象特征。另 一方面，目前的推荐研究都是基于用户-对象二维空间进行研究的，用户选择某个对象以及对 对象的评分在不同的情况下会有所不同，也就是推荐使用的特征维度会有所不同，研究具有 不同维度特征的推荐系统也是研究方向；

(3)基于关联规则推荐。

基于关联规则的推荐以关联规则为基础，把已购商品作为规则头，规则体为推荐对象， 用于发现不同商品在销售过程中的相关性。其直观的意义就是在一个交易数据库中找出用户 在购买某些商品的时候有多大倾向去购买另外一些商品。主要缺点是算法关联规则的发现非 常耗时，是算法的瓶颈(虽然可以离线进行)。其次，商品名称的同义性问题也是关联规则的 一个难点；

(4)基于效用推荐。

基于效用的推荐建立在对用户使用项目的效用情况上计算的，一般考虑非产品的属性， 如提供商的可靠性和产品的可得性。其核心问题是怎么样为每一个用户去创建一个效用函数。 主要缺点是对问题需要合适的效用函数，这个过程也是很困难的；

(5)基于知识推荐。

基于知识的推荐是基于效用知识构建的推荐系统。效用知识是一种关于一个项目如何满 足某一特定用户的知识。主要缺点是推荐需要事先知道一定的知识结构，如用户已经规范化 的查询，或者是一个更详细的用户需要的表示；

(6)组合推荐。