[发明专利]基于目标物品增强表示的用户个性化信息推荐方法

说明书

本发明属于人工智能和深度学习技术领域，具体涉及一种基于目标物品增强表示的用户个性化信息推荐方法，旨在解决现有的个性化信息推荐方法受限于用户行为记录，进而导致推荐准确率低、鲁棒性差的问题。本方法包括获取用户历史记录中的物品及待推荐的目标物品，并映射为设定维度的特征向量；获取用户关于目标物品的兴趣表示；通过预设的采样方法从第一数据集、待推荐目标物品的交集中采样设定数目的物品，并映射为特征向量；获取关于目标物品的增强表示；预测得到用户对待推荐的目标物品的感兴趣程度，并将排序后的前N个感兴趣程度对应的待推荐的目标物品推荐给用户。本发明提升了现有个性化信息推荐方法的推荐准确性以及鲁棒性。

技术领域

本发明属于人工智能和深度学习技术领域，具体涉及一种基于目标物品增强表示的用户个性化信息推荐方法、系统、设备。

背景技术

随着科技的发展，信息产生的速度已经远远超过用户自身能够处理的程度。用户在寻找自己需要的信息时将花费大量的时间来筛选过滤无关的信息。个性化信息推荐的目的就在于通过分析用户的相关历史记录和用户个人资料来代替用户完成信息的筛选并将用户潜在感兴趣的信息推荐给用。

个性化信息推荐模型可以抽象为一个简单的二分类或者回归模型，其输入是用户相关的特征包括相关历史纪录和个人资料以及目标信息的特征，输出是用户是否感兴趣或者感兴趣的程度。模型根据用户的特征和目标信息的特征做对比，并作出决定是否将该信息推荐给用户。对于二分类模型可直接依据分类结果作为决定，对于回归模型可以通过对所有目标信息的得分做排序，得出最有可能感兴趣的前N条信息。

另现有的一些推荐算法如协同过滤算法，通过分析相似行为记录的用户来进行物品的推荐。但是这种方法受限于用户行为记录，导致模型在泛化能力上有所限制。近年来的一些方法使用深度神经网络来编码用户特征和物品特征，并通过多层感知机获得深度的非线性特征，取得了一定效果。基于此，本发明提出了一种基于目标物品增强表示的用户个性化信息推荐方法。

发明内容

为了解决现有技术中的上述问题，即为了解决现有的个性化信息推荐方法受限于用户行为记录，进而导致推荐准确率低、鲁棒性差的问题，本发明第一方面，提出了一种基于目标物品增强表示的用户个性化信息推荐方法，该方法包括：

S10，获取用户历史记录中的物品及待推荐的目标物品，并映射为设定维度的特征向量；将用户历史记录中的物品映射的特征向量作为第一特征向量，将待推荐的目标物品映射的特征向量作为第二特征向量；

S20，计算第一特征向量、第二特征向量的相似度，并对各相似度进行归一化处理；通过归一化后的相似度对各第一特征向量进行加权求和，作为用户关于目标物品的兴趣表示；

S30，获取第一数据集、待推荐目标物品的交集；通过预设的采样方法从所述交集中采样设定数目的物品，并映射为特征向量，作为第三特征向量；所述第一数据集为基于多个用户历史记录的物品构建的数据集；

S40，计算第二特征向量、第三特征向量的相似度，并对各相似度进行归一化处理；通过归一化后的相似度对各第三特征向量进行加权求和，作为关于目标物品的增强表示；

S50，将第二特征向量、用户关于目标物品的兴趣表示、关于目标物品的增强表示拼接后输入预构建的分类器，预测得到用户对待推荐的目标物品的感兴趣程度；并根据感兴趣程度进行排序，排序后，将前N个感兴趣程度对应的待推荐的目标物品推荐给用户；N为正整数。

在一些优选的实施方式中，步骤S20中“计算第一特征向量、第二特征向量的相似度，并对各相似度进行归一化处理”，其方法为：

通过多层感知机计算第一特征向量、第二特征向量的相似度；

采用softmax函数对各相似度进行归一化处理。

在一些优选的实施方式中，步骤S30中“通过预设的采样方法从所述交集中采样设定数目的物品”，其方法为：