[发明专利]基于语意特征的优化推荐方法

权利要求书

1.一种基于语意特征的优化推荐方法，其特征在于包括以下步骤：

步骤1，收集项目信息，将其添加到空白词典建立项目词典；

步骤2，通过Word2vec模型提取项目信息中的语意特征，将词转化为词向量计算项目间的相似度；

步骤3，根据项目间的相似度预测用户感兴趣的项目，应用Top-N推荐算法得出推荐的项目列表。

2.根据权利要求1所述的基于语意特征的优化推荐方法，其特征在于：步骤2中计算项目间相似度的过程如下：首先，利用Word2vec模型将项目词典文本映射到向量空间，将其转换为向量；其次，计算向量之间的欧几里德距离，向量之间的欧几里德距离即为项目之间的相似度。

3.根据权利要求1所述的基于语意特征的优化推荐方法，其特征在于：步骤1中所述项目信息包括用户当前搜索关键词和历史行为。

4.根据权利要求3所述的基于语意特征的优化推荐方法，其特征在于：基于用户历史行为进行用户偏好预测的过程如下：

步骤1，收集用户的历史行为，将所有用户行为添加进空白词典来建立用户行为词典；

步骤2，由用户行为词典训练Word2vec模型得到用户行为间的相似度；

步骤3，由训练完成的结果预测用户未来的行为，应用Top-N推荐算法得出推荐项目候选列表一；

步骤4，基于用户评分，采用传统推荐算法中的协同过滤算法进行预测，应用Top-N推荐算法得出推荐项目候选列表二；

步骤5，根据相同用户合并两个候选列表，得出最终的项目推荐列表。

5.根据权利要求3所述的基于语意特征的优化推荐方法，其特征在于：基于搜索关键词进行关键词预测的过程如下：

步骤1，收集描述项目的单词，将所有组成项目的单词添加进空白词典来建立关键词词典；

步骤2，由关键词词典训练Word2vec模型得到关键词间的相似度；

步骤3，由训练完成的结果对用户输入的关键词进行相关关键词预测，应用Top-N推荐算法得出关键词推荐列表。

6.根据权利要求1-5任一项所述的基于语意特征的优化推荐方法，其特征在于：Word2vec模型选用Skip-gram模型及negative sampling优化框架。