[发明专利]一种基于协同过滤模型的混合神经网络推荐系统

说明书

本发明公开了一种基于协同过滤模型的混合神经网络推荐系统，包括数据预处理模块、混合神经协同过滤模块、评分预测模块，推荐模块和数据库，其中，数据预处理模块从数据库中获取原始数据，并将原始数据转化成矩阵的形式；混合神经协同过滤模块通过对多模型同时训练的方式，获得对用户评分的概率值；评分预测模块利用混合神经协同过滤模块与广义矩阵分解组合输出最终的评分预测值，最后将评分预测值作为评分预测结果存储在数据库中；推荐模块利用评分预测模块计算得到的评分预测结果，经过对评测指标的排序向用户进行推荐。本发明利用不同的结构混合神经网络，使用了更多的神经网络层，预测准确性得到了显著提升并且获得的信息也更加多样化。

技术领域

本发明属于机器学习领域中的推荐系统研究领域，是一种基于混合神经网络通过协同过滤挖掘用户兴趣偏好来进行推荐的推荐系统。

背景技术

随着互联网的快速发展与普及，人们面临着琳琅满目的在线内容(如电影、书籍和音乐)，导致用户寻找到自己想要的信息需要耗费大量时间，即说到的信息过载现象。为了解决这种现象，推荐系统应运而生。目前，推荐系统已经被广泛地应用于如淘宝、Netflix、亚马逊和YouTube等国内外电商平台。据报道，80％用户使用Netflix的推荐引擎观看电影，YouTube的主页推荐超过60％的视频点击。推荐系统在更加方便地服务客户的同时，也大幅度地提高了公司的利润。

推荐系统中最重要的挑战之一就是如何提高算法的准确性。解决这个问题的关键在于需要建一个精确的模型来表示用户与商品之间的关系。例如矩阵分解(matrixfactorization,MF)是分别对用户和商品联合映射到一个潜在空间中，潜在空间中每一个向量代表一个用户或商品，通过潜在因子(隐因子)内积运算预测某一用户对某一商品的兴趣程度。内积运算方法实际上是一个线性模型，而线性方法对用户和商品之间的关系进行建模是不完全的，因为也存在非线性关系。由此，提出了神经协同过滤(NeuralCollaborative Filtering,NCF)，它利用多层感知器(Multi-Layer Perceptron，MLP)来学习用户和商品之前的非线性关系。

NCF采用塔型的多层感知器，其中每个神经层的节点数是下一个神经层的两倍，当神经网络的深度增加时，算法呈指数级增长，这就造成了神经网络的层数不能太大。而节点数相同的多层感知器可以基本解决这个问题，其中每个神经网络的层数都有相同的节点。但是，对于这种结构而言，可能会出现退化问题，即算法的准确性不会随着神经网络的深度增加而提高，这就使得一个神经网络若是层数加深可能会危及算法的准确性。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种由全局神经块和局部神经块组成的混合神经协同过滤的推荐系统，以提升推荐性能。

为实现上述发明目的，本发明使用混合神经协同过滤推荐系统，系统包括以下几个模块：

数据预处理模块：从系统数据库中提取用户对商品的评分信息，并过滤掉对商品的评分数少于预设阈值(例如20)的用户，即通过一个评分商品数阈值将用户分为两类：活跃用户和非活跃用户，仅基于活跃用户构建用户-商品评分矩阵表；

并设置用户对商品是否存在评分的标识符，若存在评分，则将该标识符设置1；否则设置为0；即在该模块中将显反馈的评分转换为隐反馈，如果用户对商品进行了评分，相应的条目将被标记为1，反之，则将条目被标记为0。

再基于用户对商品的标识符构建用户-商品评分矩阵表并存入数据库中，其每一行代表的是一位用户的信息，即用户特征向量(v_u)；每一列代表了一件商品的信息，即商品特征向量(o_i)，表中数值代表了对应用户对该商品有无评分。

混合神经协同过滤模块，包括嵌入层、全局神经块和局部神经块构成的混合神经网络；