[发明专利]一种基于深度神经网络和概率矩阵分解的混合推荐算法

说明书

本发明涉及一种基于深度神经网络和概率矩阵分解的混合推荐算法，步骤如下；S10、信息收集并进行预处理；S20、建立深度神经网络模型和概率矩阵分解模型；S30、根据以上三步得到融合用户和项目真实信息的潜在特征向量；S40、利用特征向量对用户进行个性化推荐。该基于深度神经网络和概率矩阵分解的混合推荐算法与现有技术相比，本发明的有益效果是：本文在前人研究的基础上，不仅充分利用了用户评分矩阵数据，同时将用户描述信息和项目描述信息利用深度神经网络进行特征提取，生成包括用户偏好特征在内的用户和项目真实特征集，再利用最大后验估计对概率矩阵模型和深度神经网络生成的特征进行迭代优化处理。

技术领域

本发明涉及深度神经网络和概率矩阵分解的混合推荐算法技术领域，具体为一种基于深度神经网络和概率矩阵分解的混合推荐算法。

背景技术

随着互联网技术的快速发展，社会已呈现出数据信息井喷的状态，人们逐渐从信息匮乏的时代迈入到信息爆炸的大数据时代。为了解决信息繁多冗余带来的信息低可用性问题，使得用户能够有效的获得自己需要的信息，推荐系统应运而生。个性化推荐系统是根据用户购买消费记录、用户和项目特征以及对项目的评价等各类信息，为用户推荐用户感兴趣的信息和项目。在众多的推荐系统中，协同过滤推荐算法无疑是最受欢迎的推荐算法，但是用户评分矩阵的稀疏性导致了传统的协同过滤推荐算法在评分预测精度上的下降，影响了实际的推荐效果，从而降低了推荐的质量。

国内外许多研究人员开始根据推荐系统不同的应用场景和存在的一些突出问题提出了很多优化改进算法。Raghavan等人提出了一种两阶段模型，该模型首先使用公式来估计评审质量分数，然后再基于质量分数进行加权评分，建立了概率协同过滤模型。相对于普通PMF方法，这种两阶段方法更能提高推荐系统整体性能。Patra等人将Bhattacharyya测度用于相似度计算方法中，能够综合利用用户评级信息，在稀疏的评级数据集中定位活跃用户的有用邻居，可以为稀疏数据中的活动用户提供可靠的项目推荐。Li等人通过将概率矩阵分解与边缘去噪的堆叠式自编码器相结合，能够从用户项评级和侧面信息中发掘有效的潜在因素，取得了较好的性能。Paradarami等人提出了一种利用人工神经网络框架来预测用户评分的新方法，该方法有效地融合了用户和项目的重要信息，经过对特征空间的拟合训练，形成一个评级分类模型。Kim等人提出了一种基于上下文感知的卷积矩阵分解模型，通过文档建模的方法有效利用项目评论信息，从而能够捕获文档的上下文信息，有效地缓解了数据稀疏性问题，进一步提高了评级预测的准确性。

发明内容

本发明的目的在于提供一种基于深度神经网络和概率矩阵分解的混合推荐算法，以解决上述背景技术中提出的在众多的推荐系统中，协同过滤推荐算法无疑是最受欢迎的推荐算法，但是用户评分矩阵的稀疏性导致了传统的协同过滤推荐算法在评分预测精度上的下降，影响了实际的推荐效果，从而降低了推荐的质量的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度神经网络和概率矩阵分解的混合推荐算法，步骤如下；

S10、信息收集并进行预处理；S20、建立深度神经网络模型和概率矩阵分解模型；S30、根据以上三步得到融合用户和项目真实信息的潜在特征向量；S40、利用特征向量对用户进行个性化推荐。

优选的，根据权利要求1所述的方法，其特征在于：所述步骤S10中信息收集并进行预处理的到包含用户偏好特征的用户和项目特征集，用户偏好特征可以根据对用户已评分项目的属性信息进行分析，定量分析用户偏好属性值，从而为用户推荐提供参考数据。用户u对项目特征属性的兴趣程度可用矩阵UP描述，其中，up_ij在区间[-1，1]上取值，1表示喜欢的程度最高，-1表示喜欢的程度最低。

用户u对项目的第i个特征的喜爱程度up_ij定义如公式(9)所示。其中，i表示用户编号，j表示项目属性编号，n1表示用户i的积极项目的数量，n2表示用户i的不积极项目的数量。