[发明专利]基于CNN-LFM模型的推荐方法、系统及存储介质

说明书

本发明提供一种基于CNN‑LFM模型的推荐方法、系统及存储介质，属于互联网技术领域。推荐方法包括：收集网络数据；对图像和评分数据预处理；将图像输入卷积神经网络模型中以提取图像的图像特征和参数；将评分数据转化成评分矩阵，采用隐语义模型对用户的评分矩阵进行矩阵分解；以图像特征和卷积神经网络参数为条件约束物品的潜在特征，得到物品的潜在特征和用户的潜在特征；根据物品的潜在特征和用户的潜在特征预测未知评分；结合未知评分生成损失函数；计算损失函数中的梯度；判断梯度是否为0；在判断梯度为0的情况下，输出未知评分；在判断梯度不为0的情况下，训练卷积神经网络和隐语义模型，更新参数，直到损失函数达到最优。

技术领域

本发明涉及互联网技术领域，具体地涉及一种基于CNN-LFM模型的推荐方法、系统及存储介质。

背景技术

互联网的普及和移动互联网的高速发展使电子商务服务日益丰富，数字化电影、在线音乐、购物等服务成为人们生活中的重要组成成分。每天都会产生大量信息，我们在上网时会有浏览数据、在社交网络中会产生发表的评论信息等等的网络数据、以及各式各样的商品信息。商家为了营造更好的消费体验，为消费者提供便利，推荐系统应运而生。在推荐系统中，推荐方法扮演了相当重要的角色，直接影响着推荐系统的质量和推荐性能。好的推荐方法能够帮助用户快速找到需求，节省大量的时间，提升用户体验。虽然推荐系统在各大网站和应用中已经应用，但目前仍有很高的提升空间，研究仍然在继续。

由于用户和物品数量的爆炸式增长，评分数据的稀疏性和新物品的冷启动问题成为了阻碍推荐系统进一步发展的难题。

发明内容

本发明的目的是提供一种基于CNN-LFM模型的推荐方法、系统及存储介质，该推荐方法、系统及存储介质可以根据用户在互联网站点上浏览或购买过的物品以及对物品的评分数据计算用户对物品的未知评分，并根据该未知评分进一步向用户推荐相关商品，使得互联网站点的使用更加方便，提高了用户的使用体验。

为了实现上述目的，本发明的一方面提供一种基于CNN-LFM模型的推荐方法。该推荐方法可以包括：

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(Convolutional Neural Network，CNN)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(Latent Factor Model，LFM)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。

可选地，所述卷积神经网络模型包括：

输入层，用于接收所述图像；