[发明专利]一种基于多任务深度学习的混合推荐系统及其方法

说明书

本发明提出了一种基于多任务深度学习的混合推荐系统，依次包括三个阶段，分别为第一阶段、第二阶段和第三阶段，所述第一阶段为混合推荐模型构造，所述第二阶段为训练样本集生成，所述第三阶段为混合推荐模型训练，依次经过三个阶段的演算最后得出结果，所述混合推荐模型构造包括卷积神经网络和度量学习的混合推荐模型，由于本发明主要由三个阶段组成，每个阶段的实施过程简单、容易实现，同时不受具体开发工具和编程软件的限制，并且能够快速扩展到分布式和并行化的开发环境中。

技术领域

本发明涉及计算机领域，具体涉及一种基于多任务深度学习的混合推荐系统及其方法。

背景技术

随着大数据时代的到来，人们需要面对越来越多的数据信息，如何从海量数据中提取出有价值的信息成为了极大的挑战。

而推荐系统能够从用户的历史信息中提取出用户的兴趣和喜好，并向用户推荐其可能感兴趣的项目，已逐渐成为了人们的关注热点。

传统推荐方法主要包括基于内容的推荐方法，协同过滤推荐方法和混合推荐方法，其中基于内容的推荐方法根据用户历史喜爱的物品向其推荐与之相似的物品，协同过滤推荐向用户推荐与之品味相似的用户所喜爱的物品，而混合推荐将多种推荐方法进行融合，取长补短，使整体推荐效果得到提高。

然而传统推荐方法的高质量推荐建立在繁重的特征处理工作基础上，大量的特征提取，特征组合，特征选取等工作需要技术人员进行处理，且这种处理只能捕捉到用户和物品的浅层次关系，不能深入挖掘用户和物品的深层特征。

同时，目前还发现使用度量学习来进行用户的偏好预测虽然能够帮助提高推荐效果，然而这种推荐方法只关注了用户和物品间的关系，没有有效地挖掘物品和物品间的内在联系，使得在用户对物品的历史反馈数据稀疏时，不能取得很好的推荐效果。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种能深入挖掘用户和物品间的内在关系，并且能简化程序提高效率的推荐系统及其方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于多任务深度学习的混合推荐系统，依次包括三个阶段，分别为第一阶段、第二阶段和第三阶段，所述第一阶段为混合推荐模型构造，所述第二阶段为训练样本集生成，所述第三阶段为混合推荐模型训练，依次经过三个阶段的演算最后得出结果，所述混合推荐模型构造包括卷积神经网络和度量学习的混合推荐模型。

进一步，所述训练样本集生成将生成三种不同类别的用户-物品三元组作为训练样本，三个训练样本包括正样本，用户，负样本，正样本，用户，正样本，负样本，用户，负样本，所述混合推荐模型训练将三个训练样本作模型训练，将得到的三组模型参数值，并将这三组参数值按权重进行加权作为的最终参数。

一项所述基于多任务深度学习的混合推荐方法，该方法具体包括以下步骤：

S1.信息嵌入层：将原始用户和物品信息进行初步处理，并得到用户和物品的词嵌入向量e，以便更好地进行接下来的特征提取操作，词嵌入向量e如下式所示：

e＝f(W_e×s+b)，

其中，s表示输入的原始用户或物品的信息；W_e为本层的运算权重矩阵；b为本层的运算偏置值；f表示本层使用的激活函数；

S2.卷积层：采用卷积操作进行用户和物品的深层特征提取，在第t个卷积核所对应的特征h_t计算如下：

h_t＝f(e⊕k_t+b_t)，