[发明专利]一种基于用户和项目长短期时间耦合关系分析的推荐方法

权利要求书

1.一种基于用户和项目长短期时间耦合关系分析的推荐方法，其特征在于，包括：

S1、数据采集和处理：在Grouplens网站下载MovieLens 100K和MovieLens 1M数据集，清理脏数据；

S2、划分数据集：将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集；

S3、构建耦合模型：用长短期记忆神经网络学习用户的动态偏好及项目的动态受欢迎情况，用多层感知器分别学习用户特征耦合关系与项目特征耦合关系，并将两者融合进行推荐；

S4、训练模型和项目推荐：步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的耦合模型，考虑用户/项目长短期的动态偏好以及相应用户/项目特征信息之间的耦合关系，根据用户对项目的预测评分判断是否将项目推荐给用户。

2.根据权利要求1所述的基于用户和项目长短期时间耦合关系分析的推荐方法，其特征在于，所述步骤S1的数据采集和处理的具体步骤如下：

S101、Grouplens网站下载MovieLens 100K和MovieLens 1M数据集，做数据预处理，并清理脏数据；

S102、提取数据集中用户/项目在长期和短期内的评价信息及基本特征信息，将其转化为向量。

3.根据权利要求1所述的基于用户和项目长短期时间耦合关系分析的推荐方法，其特征在于，所述步骤S3中构建耦合模型的具体步骤如下：

S301、构建输入层：输入层包括4个输入内容，用户项目ID、用户长短期评价信息、项目ID及项目长短期评价信息；

S302、构建用户动态预测模型、项目动态预测模型以及基于用户和项目长短期时间耦合性方法；即构建基于用户项目长短期时间耦合关系学习框架；

S303、构建输出层：预测用户对项目的评分。

4.根据权利要求3所述的基于用户和项目长短期时间耦合关系分析的推荐方法，其特征在于，所述步骤S302中构建用户动态预测模型、项目动态预测模型以及基于用户及项目的长短期时间耦合关系方法的具体步骤如下：

S302-1、构建用户动态预测模型：通过输入用户ID及用户长短期评分信息，将用户IDEmbedding转化为指定维度的向量，代表用户人口统计学的基本特征，将用户在长短期内的评分信息Embedding转化为指定维度，用以连接长短期时间记忆网络，学习用户的动态偏好，将用户基本特征向量与用户动态偏好向量进行拼接，传入多层感知器，学习用户动态偏好的耦合关系；

S302-2、构建项目动态预测模型：通过输入项目ID及项目的长短期评分信息，将项目IDEmbedding转化为指定维度的向量，代表项目的基本特征，将项目在长短期内的被评分信息Embedding转化为指定维度，用以连接长短期时间记忆网络，学习项目的动态受欢迎程度，将项目的基本特征信息与项目的动态向量进行拼接，传入多层感知器，学习项目动态受欢迎情况的耦合关系；

S302-3、构建基于用户和项目长短期时间耦合性方法，用户动态预测模型的输出与项目动态预测模型的输出合并为一个串联的向量，然后由一个全连接层进行处理，输出最终的向量。

5.根据权利要求4所述的基于用户和项目长短期时间耦合关系分析的推荐方法，其特征在于，所述步骤S302-1构建用户动态预测模型的具体步骤如下：

S302-1-1、每个用户的基本特征信息转化为向量并进行Embedding，输出用户的基本特征信息向量；用户在长短期内的评价信息转化为向量，并对其进行Embedding，将此向量作为LSTM的输入；

S302-1-2、LSTM算法学习出用户在长短期时间的动态特征，输出用户的动态特征向量，再将用户的动态特征向量与用户的基本特征信息向量进行Concatenation操作，将结果向量作为MLP的输入；

S302-1-3、MLP多层感知器学习出用户动态特征的耦合关系，并将输入向量转化为用户动态耦合关系向量，作为后续全连接层的输入。