[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

说明书

本发明公开一种社交网络下基于深度学习的个性化推荐系统，主要包括离线学习模块和在线推荐模块。离线学习模块首先生成训练样本集合，进而构造带注意力机制的深度卷积神经网络学习模型，并对学习模型中的参数进行迭代优化；在线推荐模块基于训练得到的学习模型对新注册的用户进行实时物品推荐。与现有技术相比，本发明具有准确度高、速度快和简单易实现等优点，能够有效应用于电子商务、舆情监控、智能交通以及医疗健康等领域。

技术领域

本发明涉及信息推荐技术领域，尤其是涉及一种社交网络下基于深度学习的个性化推荐系统。

背景技术

推荐系统的非形式化概念是Resnick和Varian在1997年给出的定义：“它是利用电子商务网站向客户提供商品的信息和建议，并帮助用户决策应该购买何类产品，模拟销售人员帮助指导用户完成网上购买的过程”。

推荐系统能够挖掘出用户潜在的喜欢的内容，减少无用信息对用户的干扰，使得用户在互联网上快速地发现自己想要购买的商品、感兴趣的新闻、可能潜在的好友。并且这些推荐结果是动态地，因为用户的兴趣随着时间、场景的变化而发生变化，最终的推荐结果能够吻合用户的即时偏好，给用户呈现真正感兴趣的信息内容。一个好的推荐系统不仅能够给用户推荐一些他所喜欢的信息，同时这些内容应该具有新颖性，给用户推荐的信息不应该出现多次的重复，最后推荐系统应该能够挖掘长尾信息，一个网站上的大部分商品只被少部分人所接触，一个好的推荐系统所做出的推荐结果不仅仅只是包含热门物品，而应该多多挖掘数量巨大的冷门物品，这样才能给应用带来巨大利润和商业规模。

伴随着社交网络的蓬勃发展，人们也很期待互联网的信息服务如：社交搜索、社交交易等，如何与社交网络相结合，为用户提供更人性化，更有价值的信息服务。以个性化推荐为核心的服务应用延展到了互联网用户日常信息流的方方面面，同时个性化推荐系统也在结合交叉学科和新技术不断的发展。从早期的协同过滤算法、基于模型的推荐算法、混合推荐算法到结合社交信息的社会化推荐算法，无不显示着推荐系统蓬勃的发展势头。

然而，我们发现现有的推荐系统已经不能很好的满足社交网络新环境下的个性化服务需求，无法解决已存在的和新出现的问题。由于社交网络呈现无尺度特性，极少量的社交用户拥有大量的社交关系链接和社交互动行为，而大部分社交用户仅只有少量的社交关系链接和社交互动行为，当将推荐系统应用到社交环境中时，将面临着推荐系统的数据稀疏性问题。同时，当新用户注册登录到基于社交网络的电子商务服务平台，由于缺失与该新用户相关的背景或者兴趣喜好数据，推荐系统无法给出很好的推荐结果，这就是社交网络环境中推荐系统所面临的冷启动问题。冷启动问题导致推荐系统的推荐质量很差，不能满足新注册用户的需求，他们将很可能不想再次登录该电子商务服务平台。

发明内容

本发明的目的就是为了解决上述现有技术存在的缺陷而提供一种准确度高、处理速度快且简单易实现的社交网络下基于深度学习的个性化推荐系统。

本发明技术方案：

主要由离线学习和在线推荐两个模块组成。

模块1(离线学习模块)包括三个步骤：

步骤1：训练样本集合生成。本发明在推荐系统中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)。