[发明专利]基于用户画像聚类的协同过滤推荐方法、系统及存储介质

权利要求书

1.一种基于用户画像聚类的协同过滤推荐方法，其特征在于，包括：

S1：获取用户数据，包括属性数据、历史行为数据和近期行为数据；

S21：对所述属性数据采用One-Hot方法进行编码，并采用Concat进行融合，形成表征用户属性；

S22：采用两个并联的LSTM网络分别对所述近期行为数据和所述历史行为数据进行编码，并采用Attention神经网络进行自适应融合，形成表征用户行为；

S23：对所述表征用户属性和所述表征用户行为采用Attention神经网络进行自适应融合，形成用户表征信息；

其中步骤S22和S23中，采用Attention神经网络进行自适应融合包括：

所述Attention神经网络对两个输入p₁、p₂进行数据自适应融合，网络层数为N，融合公式如下：

α＝σ(W^m[p₁,p₂]+b_m)

p＝α·p₁+(1-α)p₂

式中，W^m为网络第m层的权重，b_m为网络第m层偏置项，所述m小于等于所述N，σ为激活函数，p₁、p₂分别为Attention神经网络的输入，所述α为Attention神经网络输出；当对行为数据进行融合时，所述p₁、p₂分别为所述近期行为数据和所述历史行为数据，所述p为所述表征用户行为；当对所述表征用户属性和所述表征用户行为进行融合时，所述p₁、p₂分别为所述表征用户属性和所述表征用户行为， 所述p为所述用户表征信息；

S3：对所述用户表征信息进行降维压缩，形成低维用户画像；

S4：采用聚类方法对所述低维用户画像进行聚类，形成用户兴趣簇；

S5：对目标用户，在其所在的兴趣簇内采用基于协同过滤方法对其进行推荐。

2.如权利要求1所述的基于用户画像聚类的协同过滤推荐方法，其特征在于，所述S22采用两个并联的LSTM网络分别对所述近期行为数据和所述历史行为数据进行编码包括：

所述LSTM网络的工作过程可公式描述为：

f_k＝σ(x_kW_f+h_k-1U_f+b_f)

i_k＝σ(x_kW_i+h_k-1U_i+b_i)

c_k＝f_k⊙c_k-1+i_k⊙φ(x_kW_c+h_k-1U_c+b_c)

o_k＝σ(x_kW_o+h_k-1U_o+b_o)

h_k＝o_k⊙φ(c_k)

其中，所述h_k为第k个项目的hidden state，W_*为权重，U_*为h_k的权重，f_k、i_k、o_k分别为遗忘门、输入门和输出门，c_k为cell state，x_k为输入，⊙为点乘，b_*为网络偏置项，σ为激活函数，φ为tanh函数。