[发明专利]一种基于变分自编码数据融合的网站推荐方法和设备

权利要求书

1.一种基于变分自编码数据融合的网站推荐方法，其特征在于，该方法包括以下步骤：

S1、数据的预处理，根据用户的网站浏览信息构建两个二维矩阵，两个矩阵分别是用户和网站的交互矩阵和边信息矩阵；

S2、模型训练，将用户和网站的交互向量和边信息向量拼接起来作为神经网络模型的输入向量，经过损坏处理后输入到神经网络模型，根据变分自编码器的目标函数对神经网络模型进行优化；

S3、模型使用，将目标用户的网站浏览信息转换为交互向量和边信息向量，输入到训练好的变分自编码器模型中，经过编码阶段以及解码阶段获得最终输出，对输出向量各维度的元素进行排序，并移除用户已经访问过的网站对应的元素，利用排名前k的元素对应的网站作为推荐结果。

2.根据权利要求1所述的基于变分自编码数据融合的网站推荐方法，其特征在于，所述步骤S1包括：将用户的网站浏览信息转化为用户和网站的交互矩阵，分别是交互矩阵Y和边信息矩阵U，交互矩阵中第u行、第i列的元素y_ui表示用户u是否访问过网站i，若访问过y_ui＝1，否则y_ui＝0；边信息矩阵中第u行、第i列的元素r_ui是用户u访问网站i的相关属性值的加权和，称为边信息。

3.根据权利要求2所述的基于变分自编码数据融合的网站推荐方法，其特征在于，所述边信息公式如下：

r_ui＝weight₁*ui₁/M_u1+…+weight_k*ui_k/M_uk

r_ui表示边信息矩阵中第u行、第i列的元素，M_uk表示用户u和所有网站的访问信息中第k个属性的最大值，ui_k表示用户u和网站i的访问信息中的第k个属性，weight_k表示第k个属性的权值。

4.根据权利要求2所述的基于变分自编码数据融合的网站推荐方法，其特征在于，所述步骤S2中模型的输入向量通过以下方法得到：

对于用户u，取交互矩阵和边信息矩阵的第u行，得到交互向量Y_u和边信息向量R_u，两个向量均是N维向量，N为网站的数量；

对交互向量Y_u和边信息向量R_u进行损坏处理，得到损坏处理后的交互向量和损坏处理后的边信息向量将拼接起来作为模型的输入向量

5.根据权利要求1所述的基于变分自编码数据融合的网站推荐方法，其特征在于，所述步骤S2中神经网络模型的计算过程如下：

其中h_i是神经网络第i层的输出，W_i是第i层的权值矩阵，b_i是第i层的偏置向量，μ对应隐变量分布的均值，σ对应隐变量分布的标准差，是经过损坏处理后的交互向量，经过损坏处理后的边信息向量；

其中是模型对输入的交互向量Y_u的重构，z_u为隐变量；经过softmax层后，得到最终的输出向量output。

6.根据权利要求5所述的基于变分自编码数据融合的网站推荐方法，其特征在于，所述步骤S2中变分自编码器的目标函数如下：

目标函数包括两项，左边的项使模型增加重构输入的交互向量Y_u的可能性，右边的项使条件分布尽可能地近似先验分布p(z_u)，先验分布为标准高斯分布，表示利用由分布产生的z_u来计算logp_θ(Y_u|z_u)，θ表示解码器部分的模型参数，φ表示编码器部分的模型参数，是模型编码器部分学得的由输入向量到隐变量的条件分布，KL表示计算两个分布的相对熵，两个分布之间利用||进行分隔。

7.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器；

以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个处理器执行，所述程序被处理器执行时实现如权利要求1-6中的任一项所述方法的步骤。