[发明专利]基于CNN-LFM模型的推荐方法、系统及存储介质

权利要求书

1.一种基于CNN-LFM模型的推荐方法，其特征在于，所述推荐方法包括：

收集网络数据，所述网络数据包括用户浏览的商品的图像和对所述商品的评分数据；

对所述图像和所述评分数据进行预处理，将所述图像调整为同一尺寸，去除所述图像和所述评分数据中的异常数据；

将所述图像输入卷积神经网络模型中以提取所述图像的图像特征和参数；

将所述评分数据转化成评分矩阵，采用隐语义模型对所述用户的评分矩阵进行矩阵分解；

以所述图像特征和参数为条件约束物品的潜在特征，得到所述物品的潜在特征和所述用户的潜在特征；

根据所述物品的潜在特征和所述用户的潜在特征预测所述用户对所述物品的未知评分；

结合所述未知评分生成损失函数；

计算所述损失函数中的梯度；

判断所述梯度是否为0；

在判断所述梯度为0的情况下，输出所述未知评分；

在判断所述梯度不为0的情况下，对所述卷积神经网络模型和所述隐语义模型进行更新并再次将所述图像输入卷积神经网络模型中以提取所述图像的图像特征和参数直到所述梯度为0；

所述以所述图像特征和参数为条件约束物品的潜在特征，得到所述物品的潜在特征和所述用户的潜在特征包括：

采用公式(5)表示以所述图像特征和参数为条件约束物品的潜在特征，得到所述物品的潜在特征和所述用户的潜在特征的步骤，

R＝U^TV (5)

其中，R为所述未知评分，U^T为所述用户的潜在特征的转置矩阵，V为所述物品的潜在特征；

所述根据所述物品的潜在特征和所述用户的潜在特征预测所述用户对所述物品的未知评分包括：

根据公式(8)计算所述未知评分，

其中，为用户u对物品i的所述未知评分，U_u^T为所述用户u的潜在特征的转置矩阵，W为所述卷积神经网络模型中的参数，V_i为编号为i的所述物品的潜在特征，P_i为输入到所述卷积神经网络模型中的图像，CNN为所述卷积神经网络模型，b_i为偏置参数；

所述根据所述未知评分生成损失函数包括：

根据公式(9)生成所述损失函数，

其中，L(U,V,W)为所述损失函数，a为所述用户的数量，b为所述物品的数量，i为当前的所述物品的编号，u为当前的所述用户的编号，R_ui为根据所述用户的评分数据得到的已知评分，W_l为所述卷积神经网络模型中的第l个参数，所述参数包括权重参数和偏置参数，λ为正则化项的系数，为所述卷积神经网络模型中的层的编号。

2.根据权利要求1所述的推荐方法，其特征在于，所述卷积神经网络模型包括：

输入层，用于接收所述图像；

在所述输入层后交替排列的卷积层和池化层，位于所述输入层后的所述卷积层用于从所述图像中提取多个特征图，所述池化层用于降低所述多个特征图的维度，位于所述池化层后的所述卷积层用于从被所述池化层处理后的所述多个特征图中进一步提取多个特征图；

输出层，包括非线性映射，用于将所述多个特征图转化成所述图像特征。

3.根据权利要求2所述的推荐方法，其特征在于，所述位于所述池化层后的所述卷积层用于从被所述池化层处理后的所述多个特征图中进一步提取多个特征图包括：

根据公式(1)计算所述卷积层提取的所述多个特征图，

其中，M_m为选择输入的特征图，m为当前计算的所述特征图的编号，为位于第l层的所述卷积层提取的所述特征图，*为卷积运算，为位于第l-1层的所述池化层处理后的第n个所述特征图，为位于第l层的所述卷积层的第m个卷积核的权重参数，为位于第l层的偏置参数，f为非线性激活函数。

4.根据权利要求3所述的推荐方法，其特征在于，所述池化层用于降低所述多个特征图的维度包括：

根据公式(2)降低所述多个特征图的维度，

其中，为所述池化层的权值，down为下采样函数，l+1为当前的所述池化层所在的层数，为当前的所述池化层处理后的所述特征图。