[发明专利]一种基于异质特征深度残差网络的内容推荐方法

说明书

本发明公开了一种基于异质特征深度残差网络的内容推荐方法，所述方法包括：获取待推荐内容的源数据，并对所述源数据进行数据转换处理，得到加权混合嵌入数据；根据所述加权混合嵌入数据和深度残差网络模型，得到预测评分数据；根据所述预测评分数据，得到内容的推荐结果。本发明实施例通过对领域内容的源数据进行处理，并将处理后的数据输入到残差网络模型，得到预测评分数据，接着根据预测评分数据对领域内容进行精准推荐，计算方法效率高，资源占有率低，同时多元化的数据还能避免对新用户进行推荐时出现冷启动。

技术领域

本发明涉及通信技术领域，尤其涉及的是一种基于异质特征深度残差网络的内容推荐方法。

背景技术

随着大数据时代的到来，人们对大数据时代中如电影，文章，医疗等领域内容推荐有极大的需求，为了对诸多领域内容进行很好的推荐，现有技术中涌现出许多方法，但是现有技术方法会存在分解举证步骤不确定性，分解后的低维矩阵会增加算法的时间复杂度，使得计算消耗高，效率低，在遇到新用户时会出现冷启动问题，并且，现有技术方法直接在稀疏数据上进行运算，资源占用率高，算法效率低。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于异质特征深度残差网络的内容推荐方法，旨在解决现有技术中遇到新用户时会出现冷启动问题，并且，现有技术方法直接在稀疏数据上进行运算，资源占用率高，计算方法效率低的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种基于异质特征深度残差网络的内容推荐方法，其中，所述方法包括：

获取待推荐内容的源数据，并对所述源数据进行数据转换处理，得到加权混合嵌入数据；

根据所述加权混合嵌入数据和深度残差网络模型，得到预测评分数据；

根据所述预测评分数据，得到内容的推荐结果。

在一种实现方式中，其中，所述对所述源数据进行数据转换处理，得到加权混合嵌入数据包括：

获取用户与项目的协同关系数据；

提取所述待推荐内容的源数据的特征值，得到特征值数据；

将所述特征值数据和所述用户与项目的协同关系数据进行基于内容的嵌入构造，得到嵌入数据；

生成第一triplet loss训练器，并将所述嵌入数据输入到所述第一triplet loss训练器，得到加权混合嵌入数据。

在一种实现方式中，其中，所述提取所述待推荐内容的源数据的特征值，得到特征值数据包括：

根据映射矩阵，将所述待推荐内容的源数据进行线性降维处理，得到降维矩阵数据；

提取所述降维矩阵数据的特征值，得到特征值数据。

在一种实现方式中，其中，所述根据所述加权混合嵌入数据和深度残差网络模型，得到预测评分数据包括：

根据所述加权混合嵌入数据，提取所述加权混合嵌入数据的异质特征数据；

将所述加权混合嵌入数据和所述异质特征数据进行线性拼接，得到深度残差网络输入数据；

将所述深度残差网络输入数据输入到深度残差网络模型，得到预测评分数据。

在一种实现方式中，其中，所述深度残差网络模型生成方式为：

获取输入样本数据和输出样本数据；

生成第二triplet loss训练器，并根据所述第二triplet loss训练器，生成网络模型；