[发明专利]基于协同过滤和深度学习的个性化推荐方法及系统

说明书

本发明提供一种基于协同过滤和深度学习的个性化推荐方法及系统，包括获取用户购买商品的历史行为特征数据，并进行预处理，将用户的购买行为按照时间进行排序，排序后的数据称为用户的行为特征序列；个性化推荐系统建模，包括从交互矩阵中获取用户和商品的输入向量，然后分别生成用户和商品的嵌入向量，再经过注意力神经网络对嵌入向量进行加权，加权后的嵌入向量再进行线性和非线性的交互，从而获取用户和商品之间的显式和隐式关系，最后进行用户对商品的点击率预估；使用用户行为特征序列进行模型的训练和测试。本发明充分挖掘了用户的和商品的协同信号，为捕捉用户的个性化需求提供基础，能够提高推荐系统准确度和可解释性。

技术领域

本发明涉及互联网中推荐系统的技术领域，具体涉及到一种基于协同过滤和深度学习的个性化推荐方法及系统。

背景技术

随着人类生活的网络化，网络中的数据量在爆发式的增加，而这些数据中所带有的信息也在与日俱增，在人们的日常网络生活中，越来越多的应用开始关注利用这些信息来改善用户的上网体验，推荐系统应运而生。相应技术也在日益增多，例如：

CN109410001B提供了了一种商品推荐方法、系统、电子设备和存储介质，获取商品的文本词组的权值，并对文本词组进行向量化得到相应的加权文本词向量；通过预设的聚类算法对加权文本词向量进行聚类；在聚类内计算加权文本词向量间的距离，获取预设的高频词元素近似结果；根据预设的高频词元素近似结果，生成相应的商品推荐结果。

CN111523042B涉及用于推荐商品的方法、装置、电子设备和计算机存储介质，基于用户点击商品记录，生成与用户标识相关联的点击商品标识序列；基于当前时间和与商品标识相关联的活动截止时间，确定与商品标识相关联的剩余时间；基于点击商品标识序列和与商品标识相关联的剩余时间，生成商品共现元组，商品共现元组包括点击商品标识序列中的两个商品标识以及权重；基于商品共现元组，生成与商品标识相关联的商品表示；以及基于商品表示之间的相似度，确定与商品标识相关联的推荐商品。由此，在确定推荐商品时考虑商品的活动截止时间，避免推荐商品的时效性问题。

目前，不管是在学术界还是在工业界中，协同过滤算法因为其性能优良和可用性强在推荐系统领域受到广泛关注，基于协同过滤的推荐系统简单来说就是利用用户以往购买行为，过滤出用户可能感兴趣的商品，从而进行商品推荐。其中基于隐语义模型的协同过滤会采用到用户-商品交互矩阵，然后进行矩阵分解或嵌入式等操作来得到用户和商品的隐性特征表示(隐向量)，最后将隐向量进行相似度计算，相似度越高，说明用户对商品的兴趣度越大。传统的协同过滤都是采用线性结合的方式来预测用户对商品的喜好。

随着深度学习的不断发展和完善，越来越多的推荐模型将深度神经网络结合到已有的模型中，很好的解决了线性模型只能通过线性函数来进行数据建模的问题，深度学习模型采用深度神经网络帮助模型提取用户和商品的非线性特征关系，学习潜在的用户兴趣，从而更准确地捕捉用户对商品的偏好信息。例如：

CN107038609A提供一种基于深度学习的商品推荐方法，结合深度学习的方法对文本进行细化处理，并将其通过模糊隶属函数进行量化，可将用户的评论转化为对商品各项属性的打分情况，再结合协同过滤方法进行推荐。

注意力模型或者说注意力这种思想已经是深度学习中最重要的思想之一，其最初应用于视觉领域，后来有被用于机器翻译，他可以通过计算注意力权重来告诉模型需要将多少注意力放在相应的信息处。现在越来越多的推荐系统将此类方法引用到自己的模型上，注意力机制不仅可以提高系统的准确度，还可以增强系统的可解释性。就协同过滤的模型来说，采用注意力机制可以计算出用户的历史行为中哪些行为更具有价值，对用户的下一行为产生更大的影响，进而系统可以据此信息提供更准确的推荐服务。

但是，目前大多数存在的基于深度学习的协同过滤推荐模型存在如下问题：