[发明专利]一种基于改进因子分解机的个性化推荐方法在审
| 申请号： | 201910804120.X | 申请日： | 2019-08-28 |
| 公开（公告）号： | CN110727855A | 公开（公告）日： | 2020-01-24 |
| 发明（设计）人： | 王艺航;熊晓明 | 申请（专利权）人： | 广东工业大学 |
| 主分类号： | G06F16/9535 | 分类号： | G06F16/9535;G06Q30/02;G06Q30/06;G06N3/04;G06N3/08 |
| 代理公司： | 44329 广东广信君达律师事务所 | 代理人： | 杨晓松 |
| 地址： | 510062 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于改进因子分解机的个性化推荐方法，通过对因子分解机算法进行改进，将原始因子分解机模型中特征之间的交互强度的权重度量不再利用内积，而是利用平方欧氏距离，既传承了因子分解机本身具有的优点，又具有了提取序列特征的优势。另外，将改进后的因子分解机模型与深度神经网络结合，克服了因子分解机提取二阶以上关联特征计算量巨大的缺点，因子分解机模型负责提取低阶特征(即一阶及二阶特征)之间的关联特征及用户行为的序列特征，深度神经网络负责提取更高阶的特征，从而更加准确高效的进行推荐。最后，作为端到端模型，与其它神经网络模型相比，不需要特征工程的操作，更加方便。 | ||
| 搜索关键词： | 因子分解 关联特征 神经网络 序列特征 二阶 平方欧氏距离 神经网络模型 个性化推荐 改进 低阶特征 用户行为 端到端 计算量 度量 高阶 内积 权重 算法 一阶 | ||
【主权项】：
1.一种基于改进因子分解机的个性化推荐方法，其特征在于，包括以下步骤：/nS1.获取用户历史行为数据；/nS2.将用户历史行为数据转换成用户数*物品数的矩阵格式，并进行one-hot编码处理；处理后的数据分为训练数据和测试数据；/nS3.构建由因子分解机和深度神经网络组成的模型；/nS4.通过步骤S2得到的训练数据对模型进行训练，得到优化模型；/nS5.将步骤S2得到的测试数据输入到优化模型中，得出个性化推荐结果。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东工业大学，未经广东工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910804120.X/，转载请声明来源钻瓜专利网。
