[发明专利]融合注意力模型的卷积神经网络协同过滤推荐方法及系统

说明书

本申请公开了一种融合注意力模型的卷积神经网络协同过滤推荐方法及系统，涉及数据挖掘推荐技术领域，提高了特征提取效率和评分预测精度，降低运维成本，简化费用管理方式，方便联合经营和大面积推广应用。融合注意力模型的卷积神经网络协同过滤推荐方法，包括：步骤S1：将用户特征向量和物品特征向量拼接融合为一个新向量；步骤S2：将新向量作为输入向量送入多层感知器中学习，预测评分；其中，将注意力模型融合到物品潜在向量、获得物品特征向量的卷积神经网络或多层感知器的隐藏层中。

技术领域

本申请涉及数据挖掘推荐技术领域，尤其涉及一种融合注意力模型的卷积神经网络协同过滤推荐方法及系统。

背景技术

现有深度学习是目前处理大数据领域的一种重要手段。它模仿人类的脑神经元进行抽象建模。在推荐系统中，将数据中的用户和物品信息作为神经网络的输入向量来做预测任务。为了提高预测精度，模型需要高效地进行特征提取。从稀疏的输入数据中得到高维的特征向量用于训练。然而，单靠神经网络增加层数的方法提高特征提取的效率提高模型的预测精度是不可取的。这样做会增加模型的复杂程度，同时也不一定能达到预期的效果。

推荐系统是建立在对海量数据进行数据挖掘(data mining)的基础上的一种高级智能方法。其主要的功能就是依照用户的需求为其进行个性化的推荐，它在用户喜好和物品偏好的学习上扮演了一个重要的角色。推荐系统通过预测物品的评分或者其他指标来反映用户的喜好。这样做能够有效地改善用户在海量的数据中搜索效率不高的现象。它旨在为用户提供在行为记录中具有相似品味和喜好的人喜欢的项目的建议。例如，要预测一位用户对于某一部电影的喜爱程度，可以预测这名用户能为这部电影打多少分。根据预测的评分，来决定是否为用户推荐这部电影。事实证明，在Netfilx上有80％的电影的观看是源于推荐系统的结果。

对于这样的回归预测问题，协同过滤(CF)是构建个性化推荐系统的关键技术，它不仅从用户的行为数据中推断用户的偏好，而且推断其他用户的行为数据。协同过滤主要分为基于记忆的方法和基于模型的方法。其中，基于记忆的方法使用用户之间或者物品之间的联系来进行推荐。具体来说是依照相似性度量值来把相似的用户或者物品匹配起来。另一种是基于模型的推荐方法。它利用机器学习算法对特征向量进行学习，进而得到用户对物品的评分来进行推荐。许多优秀的推荐系统使用了协同过滤。协同过滤分析用户之间的关系以及项目之间的相互依赖关系，以便识别新的用户——项目关联。其目的是利用人们在历史记录中的相似喜好来预测用户可能喜欢的东西。协同过滤可以找到对于不同用户在评分方面存在的共同特征的深层原因。一般的办法是将已有的用户和物品的信息以one-hot向量的方式表示，并将它们送入利用深度学习建立的框架内进行训练。现有的可行方法有libFM、widedeep learning、NCF等。由此可见，利用CF的推荐方法是非常普遍和成功的。

然而，如果仅利用代表用户和物品的one-hot向量进行训练，这样做使输入数据变得稀疏，包含的信息量过少，不利于训练模型更加精确地预测评分。

发明内容

本申请的目的在于提供一种融合注意力模型的卷积神经网络协同过滤推荐方法及系统，提高了特征提取效率和评分预测精度，降低运维成本，简化费用管理方式，方便联合经营和大面积推广应用。

为达到上述目的，本申请提供一种融合注意力模型的卷积神经网络协同过滤推荐方法，包括：

步骤S1：将用户特征向量和物品特征向量拼接融合为一个新向量；

步骤S2：将新向量作为输入向量送入多层感知器中学习，预测评分；

其中，将注意力模型融合到物品特征向量、获得物品特征向量的卷积神经网络和多层感知器的隐藏层中。

其中，物品特征向量的获取方法包括：