[发明专利]一种基于卷积自编码器网络的商品推荐方法

说明书

本发明公开了一种基于卷积自编码器网络的商品推荐方法。获取用户对于项目的历史评分行为数据集；针对该数据集中的用户评分行为数据进行预处理生成稀疏的用户‑项目评分矩阵和项目‑用户评分矩阵，再将这两个评分矩阵根据单个用户和单个项目处理为一维数据序列的方式作为输入；然后采用卷积自编码器的编码网络分别提取用户和项目的深层隐含特征，协同挖掘用户和项目之间的相关性，生成关于用户和项目的隐含特征矩阵；再利用卷积自编器的解码网络分别得到基于用户和基于项目的预测评分矩阵并进行融合，最终得到稠密的完整预测评分矩阵；将得到的完整预测评分矩阵中对应项目评分最高的依次推荐给目标用户。

技术领域

本发明涉及人工智能推荐技术领域，尤其涉及一种基于卷积自编码器网络的商品推荐方法。

背景技术

推荐系统目前在生活中几乎无处不在，主流的商业软件中基本都使用了推荐系统技术。传统的推荐算法主要分为三类：基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法。

基于内容的推荐算法核心是内容的相似性，主要是根据用户的历史偏好，推荐和历史偏好内容相似的内容。协同过滤算法是推荐系统中经典算法之一，它又分为基于用户的协同过滤算法和基于物品的协同过滤算法。基于用户的协同过滤算法，其核心就是计算用户之间的相似度，根据用户的历史偏好推荐给用户感兴趣的物品。同理，基于用户的协同过滤算法，其核心就是根据用户的历史偏好找到相似度高的项目，然后根据用户历史偏好推荐给用户感兴趣的项目。各种推荐方法都有其优点和缺点，那么对于实际复杂的需求，我们需要根据不同的需求采用组合多种推荐方法，共同来完成实际的推荐需求，就需要基于混合的推荐算法。

随着深度学习技术的快速发展，越来越多的深度模型也被逐渐应用到了推荐系统中。传统的推荐算法采用的是线性映射，限制了它的表达能力。而深度学习采用非线性映射能够更好的挖掘用户和项目的隐层特性，表征能力更强。鉴于深度学习技术的巨大威力，它被学术界、产业界尝试应用于各类业务及应用场景。

推荐算法中将用户和项目的行为特征进行协同挖掘的算法模型虽然已经存在，但是算法的精准度仍需进一步提高和改进。

发明内容

本发明要解决的技术问题是针对用户评分矩阵的稀疏性问题，提出一种基于卷积自编码器网络的商品推荐方法。

为实现上述目的，本发明是通过以下技术方案实现的：

一种基于卷积自编码器网络的商品推荐方法，包括以下步骤：

步骤1、获取用户对于项目的历史评分行为数据集，针对该数据集中的用户评分行为数据进行预处理生成稀疏的用户-项目评分矩阵和项目-用户评分矩阵，再将这两个评分矩阵根据单个用户和单个项目处理为一维数据序列的方式；

步骤2、将步骤1的用户-项目评分矩阵的一维序列和项目-用户评分矩阵的一维序列输入到卷积自编码器的编码网络中分别提取用户和项目的隐含层特征，然后将用户和项目的隐含层特征进行融合，得到用户-项目特征向量矩阵；

步骤3、基于步骤2的用户-项目特征向量矩阵进行转置得到项目-用户特征向量矩阵，然后对用户-项目特征向量矩阵和项目-用户特征向量矩阵利用卷积自编器的解码网络进行解码运算，分别得到基于用户和基于项目的预测评分矩阵，并融合解码输出的基于用户和基于项目的评分矩阵，得到最终的稠密的完整预测评分矩阵；

步骤4、将步骤3得到的完整预测评分矩阵中对应项目评分最高的依次推荐给目标用户。