[发明专利]基于多维度特征嵌入和特征提取网络的物品推荐方法

说明书

本发明提出了一种基于多维度特征嵌入和特征提取网络的物品推荐方法，实现步骤为：(1)提取用户属性数据和物品属性数据；(2)提取用户对物品的隐式评分数据；(3)生成训练样本集与测试样本集；(4)构建基于多维度特征嵌入和特征提取网络的物品推荐模型；(5)对物品推荐模型进行迭代训练；(6)获取待评分物品的评分预测结果；(7)获取物品推荐结果。本发明构建的物品推荐模型中包含有基于多维度特征嵌入网络和特征提取网络，在对该模型进行训练以及获取物品推荐结果的过程中，能够充分挖掘用户和物品之间的交互特征，充分使用用户属性特征和物品属性特征，有效提高了物品推荐的准确性。

技术领域

本发明属于计算机技术领域，涉及一种物品推荐方法，具体涉及一种基于多维度特征嵌入和特征提取网络的物品推荐方法。可应用于电商商品推荐、图书推荐、电影推荐、音乐推荐等技术领域。

背景技术

随着互联网的快速发展，用户和物品的数据规模越来越大，带来了严重的信息过载问题，推荐系统是缓解信息过载问题的有效技术手段。物品推荐方法是推荐系统的一种具体实施方法。物品推荐方法可以对用户没有评价过的电商商品、图书、电影和音乐等物品进行精准的评分预测，并给用户推荐其感兴趣的物品。物品推荐方法首先对客观数据和主观数据进行分析和建模，然后使用提取到的特征来预测用户对没有评价过的物品的评分，最后将预测评分较高的部分物品组成推荐列表推荐给用户，其中用户的性别、身高、体重、年龄、职业、籍贯和物品的名称、类型、颜色、大小、生产厂商、生产日期等客观数据主要用于提取属性特征，用户历史行为数据等主观数据主要用于提取用户和物品之间的交互特征。如何提高推荐准确性是物品推荐方法的重点和难点。衡量推荐准确性的指标主要有两个：命中率(HR)和归一化折损累计增益(NDCG)。HR表示用户的测试物品出现在推荐列表中的用户数量占所有用户的比例，值越大，说明推荐准确性越好。NDCG表示测试物品在推荐列表中的排序位置，排序越靠前，其值越接近于1，排序越靠后，其值越接近于0，值越大，说明推荐准确性越好。影响推荐准确性的主要因素是用户和物品的属性特征、交互特征能否得到充分提取。

随着深度学习在各个领域的广泛应用，物品推荐技术也在不断地融入深度学习的技术来提推荐准确性，基于深度学习的物品推荐方法可以自适应地提取特征，在样本数量充足的情况下可以取得较好的推荐结果，得到了研究人员的广泛应用。例如，湖北工业大学在其申请的专利文献“一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统及方法”(申请号：202110744530.7，申请公布号：CN 113486257A)中，公开了一种基于对抗矩阵分解的协调过滤卷积神经网络推荐方法，简称ConvNCF-AMF。该方法的实施步骤是：步骤1，利用两个嵌入方程分别输出两个维度大小为64的用户和物品的特征嵌入向量，并将用户、物品的特征嵌入向量送入外积层；步骤2，将用户、物品的特征嵌入向量进行外积得到用户-物品交互图；步骤3，基于用户-物品交互图输出表示高维度的信息张量，并将输出的张量输入预测层；步骤4，将预测层的对抗矩阵分解与卷积协调过滤网络一同训练得到物品的预测评分；步骤5，根据预测评分为用户生成推荐列表。该方法提高了物品推荐的准确性，但是其存在的不足之处在于，该方法将所有用户和物品的特征嵌入向量预先定义了一个固定且统一的维度，维度过于单一，导致特征嵌入向量所包含的信息不够全面，使得后续网络无法充分提取用户和物品之间的交互特征，进而影响推荐准确性的进一步提升。