[发明专利]一种基于神经协同过滤挖掘深层特征的文本对象精准推送方法

摘要

本发明公开了一种基于神经协同过滤挖掘深层特征的文本对象精准推送方法。该方法包含基于卷积神经网络的政策描述文档特征提取方法和挖掘深层特征的混合推送方法两个部分。提供了基于卷积神经网络的政策描述文档特征提取方法的具体步骤。提供了挖掘深层特征的混合推送方法的具体步骤。与现有政策推送方法相比，本发明能够利用卷积神经网络自动地从政策描述文档中提取包含在文本中的语义层面的不同单词范围的局部特征；同时，将提取出的特征以更灵活的方式融入到神经协同过滤政策推送方法中，在其中建立了用户与政策的非线性交互关系，并挖掘了两者之间更深层的交互特征，能够达到更高的推送准确度。

主权项

1.一种基于神经协同过滤挖掘深层特征的文本对象精准推送方法，其特征在于，包括下列步骤：/n步骤一：构建文档特征提取网络和推送网络；/n其中，文档特征提取网络基于卷积神经网络设置，包括嵌入层、卷积层、最大值池化方式的池化层和全连接层；/n嵌入层的输入为文本对象的描述文档的One-Hot矩阵，用于将输入的描述文档的One-Hot矩阵通过预置的嵌入矩阵将One-Hot矩阵中的每个One-Hot向量映射为所述One-Hot向量表示的词语的隐语义向量；/n卷积层用于提取每个文本对象的上下文特征，所述卷积层包括多个滑动窗口的卷积核，且每个卷积核包括多个神经元；/n池化层用于获取每个卷积核的每个神经元所提取的局部特征向量中的最大值；并拼接同一卷积核中的所有神经元所提取的局部特征向量中的最大值得到对应各卷积核的池化层挑选特征向量；并拼接所有卷积核的池化层挑选特征向量后输入全连接层；/n全连接层进行非线性映射处理后，得到文本对象的文档特征向量；/n所述推送网络包括嵌入层、中间层和预测层；/n其中，推送网络的嵌入层包括用户嵌入层和文本对象嵌入层：/n用户嵌入层用于将用户的ID索引值映射为用户隐向量u_u，文本对象嵌入层用于将文本对象的ID索引值映射为文本对象方差向量；/n通过中间层将文档特征向量和文本对象的方差向量进行拼接，再依次通过多个全连接层进行非线性映射得到文本对象的文档隐向量v_i；/n以及通过中间层将用户隐向量u_u与文档隐向量v_i进行拼接，再依次通过多个全连接层进行非线性映射得到浅层特征的推送概率/n并计算用户u与文本对象i交互的深层特征的推送概率/n /n其中，w_kj表示用户隐向量u_u中的第k个隐因子u_ku与文档隐向量v_i中的第j个隐因子v_ji之间的联系对预测推送概率产生的影响权重，K表示向量u_ku和v_ji的向量维度；/n预测层融合推送概率和得到任意待推荐文本对象i对任意用户u的最终预测结果/n步骤二、基于深度学习训练过程，采集训练数据集，对构建的文档特征提取网络和推送网络进行网络参数训练，得到训练好的文档特征提取网络和推送网络；/n步骤三、文本对象推送处理：/n对待推荐的用户集和文本对象集，获取每个待推荐用户的文本对象推荐列表并向对应用户推送；/n提取各待推荐文本对象的One-Hot矩阵并输入训练好的文档特征提取网络，获取文本对象的文档特征向量；/n将待推荐文本对象的ID索引值输入文本对象嵌入层、待推荐用户的ID索引值输入用户嵌入层，基于得到的文档特征向量，根据训练好的推送网络得到每个待推荐文本对象与待推荐用户之间的最终预测结果并选择前T个最高的最终预测结果作为当前待推荐用户的文本对象推荐列表。/n