[发明专利]一种基于生成对抗网络的双向动态推荐系统

说明书

本发明公开了一种基于生成对抗网络的双向动态推荐方法，采用了两个生成对抗网络，其中一个训练生成对抗网络中的生成器并利用通用数据集学习主体选择客体，另一个训练生成对抗网络中的生成器并利用通用数据集学习客体选择主体的偏好，最后用训练得到的已经收敛的生成对抗网络分别对互惠推荐系统中的主体以及客体分别进行推荐，本发明能够根据用户相关性以及用户选择同时迭代，灵活地生成多个推荐选择，对用户的偏爱性捕捉更加敏捷。

技术领域

本发明涉及推荐系统技术领域，特别涉及一种基于生成对抗网络的双向动态推荐系统。

背景技术

随着互联网规模在不断的扩大，其存在的信息在以指数级的速度快速增长，大量种类繁多且异常复杂的信息充斥在我们的周围，同时也造成了信息过载现象的发生。用户无法有效的汲取互联网信息，许多有用的信息被“闲置”，不能及时的被用户所发现，造成信息资源的严重浪费。

近年来，推荐系统领域发展迅速，现已深入到我们日常生活之中，例如网络购物以及网络招聘等场景。一种有效的推荐算法，可以帮助用户快速找到所需的信息，从而大大提升信息的检索效率。推荐策略是推荐系统中不可忽视的部分，基于用户喜爱度对物体进行排名的Top-N推荐策略是当前比较流行的方法之一，各种基于Top-N策略的推荐算法在最近几年层出不穷，核心思想是根据文本信息获得用户与商品之间相关性，并将其按递减的顺序进行排序，每个用户可以得到独立的个性化推荐列表，最终相关性排名最高的商品会被推荐给用户。夏彬等人在Vrer:Contextbased venue recommendation using embeddedspace ranking SVM in location-based social network.Expert Syst.Appl.83:18–29,2017.中提出了一种将文本特征转化到嵌入式空间之中的推荐算法。该算法使用支持向量机对用户喜爱度进行分类，达到一种排序的目的，从而将排序问题转变为基于支持向量机的分类任务。但是，随着推荐算法的不断发展，对于基于兴趣点的推荐系统的需求变得越来越多样且复杂，普通的Top-N推荐算法已经不能满足需求。另外，E-learning系统的出现给推荐系统带来了新的挑战，不同的学习活动之间以及课程之间的复杂关系让学生个体很难挑选到合适学习计划。为此，吴等人在A fuzzy tree matchingbased personalized e-learning recommender system.以及A fuzzy tree matchingbased personalised e-learning recommender system.中提出了一种树形结构的学习活动模型和学生资料模型以提供一种合适的课程学习方案。该算法不同于序列化的推荐算法，学生可以从有多个分支的树形结构推荐方案中选择符合他们要求的分支。曾等人在M-skyline:Taking sunkcost and alternative recommendation in consideration for skyline query onuncertain data.中提出了一种M-Skyline查询模型，该模型在原推荐方案错误时提供其他可选的推荐方案以增加算法的鲁棒性。

现有技术申请号为CN105279180A的专利中，公开了一种双向推荐算法框架，该框架由三部分组成，分别是：框架的建立及更新、二分图的分区和推荐推理。本发明提出了将用户的相关属性用一个二分图来表示，分为自身属性和全局属性。自身属性记录的是用户的共同爱好，而全局属性管理的是整个交互网络的质量。通过两个真实数据集(网上约会和在线招聘)的实证评价，很好的证明了该框架的有效性。

现有的Top-N推荐算法假设用户对排名最高的商品的喜爱度是最高的，非最高排名的商品是为了增加推荐的容错率，换句话说，当相关性最高的商品不是用户所喜爱的，那么依次推荐其他物品。但是，当传统算法错误的预测用户与物品的相关性时，就会导致每个推荐的物品都不是用户所需要的，由此产生错误的推荐。此外，传统算法所得到的相关性列表是静态的，也就是说是非实时的，但是用户对某个物品的喜爱度是变化的，从而导致传统算法产生的推荐列表并不符合用户现有的喜爱度。由此可见，现有采用Top-N策略的推荐算法存在诸多缺陷。

发明内容