[发明专利]一种社交网络下基于深度学习的个性化推荐系统

权利要求书

1.一种社交网络下基于深度学习的个性化推荐系统，其特征在于，包括离线学习和在线推荐两个模块，其中，

模块1包括三个步骤：

步骤1：训练样本集合生成；选取一定数量的现有用户，并针对被选取的每个用户，获取该用户最近购买过的若干物品以及从未购买过的若干物品；对于每个“用户-物品”对，将它表示成特征的形式，其中用户特征包括用户在推荐系统中登记的人口统计学特征、用户的社交网络特征以及用户联系最紧密的若干好友的人口统计学特征和社交网络特征，物品特征包括物品的固有特征、物品类别特征、物品购买行为特征以及物品的社交网络特征；在此基础上，产生两个形式的训练样本：

(1)如果用户购买过该物品，那么生成样本(用户特征，物品特征，+1)，

(2)如果用户从未购买过该物品，那么生成样本(用户特征，物品特征，-1)；

步骤2：带注意力机制的深度卷积神经网络学习模型构造；学习模型从输入端到输出端，共由四个部件组成：

(1)特征嵌套层，将输入的训练样本转换成用户特征矩阵和物品特征矩阵，

所述特征嵌套层，包含两个独立的特征嵌套部件，即用户特征嵌套部件和物品特征嵌套部件；

所述用户特征嵌套部件接收每个训练样本中的用户特征列表C(u)作为输入，它包含若干个子特征，用户特征嵌套部件利用word2vec词嵌套工具将该子特征转换成长度为一定的一维向量；对于每个训练样本，用户特征嵌套部件产生相应的二维用户特征矩阵M_U；

所述物品特征嵌套部件接收每个训练样本中的物品特征列表C(g)作为输入，它包含若干个子特征，物品特征嵌套部件同样利用word2vec词嵌套工具将该子特征转换成长度为相同量的一维向量；对于每个训练样本，物品特征嵌套部件产生相应的二维物品特征矩阵M_G；

(2)注意力机制层，基于特征嵌套层的用户特征矩阵和物品特征矩阵，分别产生用户注意力特征矩阵和物品注意力特征矩阵，具体为：

以特征嵌套层中的二维用户特征矩阵M_U和二维物品特征矩阵M_G两个矩阵为输入，首先构造二维注意力矩阵M_A，M_A第i行第j列单元的取值M_A[i,j]的计算公式为：

其中M_U[i]为矩阵M_U的第i列向量，M_G[j]为矩阵M_G的第j列向量，“⊙”为向量的内积，||M_U[i]||和||M_G[j]||分别为向量M_U[i]和M_G[j]的模；

接着，注意力机制层引入两个权重矩阵W_U和W_G，其中W_U的行数、列数为相同于所述二维注意力矩阵M_A，W_G的行数、列数相同于W_U，并基于M_A来分别获取用户注意力特征矩阵A_U和物品注意力特征矩阵A_G：

A_U＝W_U×M_A^T，

A_G＝W_G×M_A，

其中M_A^T为矩阵M_A的转置矩阵；

(3)特征融合层，融合特征嵌套层和注意力机制层中的用户特征矩阵和用户注意力特征矩阵，以及物品特征矩阵和物品注意力特征矩阵，分别产生用户融合矩阵和物品融合矩阵，

(4)卷积-池化层，基于特征融合层的用户融合矩阵和物品融合矩阵，分别产生全局用户池化向量和全局物品池化向量，

(5)逻辑回归层，基于卷积-池化层的全局用户池化向量和全局物品池化向量，输出一个0-1间的实数；

步骤3：学习模型参数迭代优化；对步骤2中的学习模型，构造其损失函数，并基于步骤1中的训练样本，采用不同的优化方法对损失函数中的参数进行迭代优化，并识别出最优的优化方法；

模块2对于新注册的用户，生成该用户的用户特征，并对推荐系统中的每个物品，生成其物品特征，然后基于模块1中获得的学习模型，产生新注册用户购买该物品的概率，并最终将概率值最高的若干物品返回给用户。