[发明专利]无监督学习统一特征提取器构建方法

说明书

本申请提供一种无监督学习统一特征提取器构建方法，其特征在于：从服务器端获取实际新闻文本数据生成新闻特征训练数据集；将新闻特征训练数据集中的数据进行处理并向量化得到新闻特征训练向量集；将新闻数据集按照用户访问数据进行归类，形成用户特征训练数据集；构建一个有多个隐层的栈式非对称降噪收缩自编码器，使用特定的目标函数对深度自编码器进行训练；在深度自编码器完成训练后，删除解码器部分，加入一个二值化生成层，构建完成无监督学习统一特征提取器。本申请提供的无监督学习统一特征提取器，可以实现新闻特征和用户特征的统一、基于内容推荐和协同过滤推荐的统一，并提高了实时推荐的效率。

技术领域

本发明属于人工智能领域，具体地涉及一种无监督学习统一特征提取器构建方法。

背景技术

当前的推荐系统或推荐引擎一般分为基于内容的推荐、协同过滤推荐、混合推荐等类型，是当今社会中与搜索引擎同等重要的信息化工具，在电子商务、媒体推荐等领域得到广泛应用。当前热门的协同过滤方法主要基于共性，即通过某用户对商品或媒体内容(可以统称为“物品”)的评分来计算出用户间的相似度、物品间的相似度，然后根据与该用户兴趣类似的其他用户的评分来推断其对新物品的评分、或根据与其曾感兴趣的物品的相似度来预测对新物品的评分，因此又被称为评分预测，但其缺点是个性化不足、在评分数据不足的情况下预测困难。

基于内容的推荐主要是对某用户的偏好建模、对物品的属性进行建模，根据用户的偏好、爱好来进行推荐，个性化较强，但用户偏好、物品属性的建模和匹配是难点。过去的用户偏好建模需要使用人口统计学等直接特征，也容易侵犯人的隐私。

深度学习是近年来兴起的新型机器学习方法，可以分为有监督学习和无监督学习。自编码器(AutoEncoder，AF)是无监督学习当前的一个研究前沿，但目前的大部分的深度自编码系统各有优劣，存在容易过拟合等缺点、大部分还没实现完全意义上的无监督学习，大大制约了其能力的发挥。

在当前人工智能、深度学习、无监督学习等技术快速发展的情况下，需要研究使用新技术、新方法来对推荐系统的技术基础进行更新，有效实现混合推荐，大力提升在线推荐效率。

发明内容

针对当前融合媒体新闻推荐等应用中个性化不足、用户特征提取困难、将不同方法统一起来形成有效的混合推荐方法较为困难、用户特征提取中隐私侵犯、实时推荐效率有待提高等问题，根据当前的新型的人工智能技术，本申请公开了一种无监督学习统一特征提取器(Unsupervised Learning Unified Feature Extractor，ULUFE)构建方法，用以提取“基于内容的统一特征表示”(Unified Representation Based on Content，URBC)。一种无监督学习统一特征提取器构建方法，包括以下步骤：

S1、从服务器端获取实际新闻文本数据和用户访问数据，经过整理和随机化处理后生成新闻特征训练数据集；

S2、使用当前的中文分词工具，将新闻特征训练数据集中的数据进行预处理，得到预处理后的新闻特征训练数据集；

S3、将预处理后的新闻特征训练数据集，通过TF-IDF方法得到新闻特征训练向量集；

S4、将新闻特征训练向量集按照用户访问数据进行归类，形成用户特征训练数据集；

S5、构建一个有多个隐层的栈式非对称降噪收缩自编码器，使用J_SA-CDAE作为目标函数：

其中，

其中k_σ为高斯核，标准差σ取1.0，高斯核函数为：