[发明专利]一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法

权利要求书

1.基于深度学习和贝叶斯概率矩阵分解的电影推荐算法，其特征在于，包括以下步骤：

步骤1.从网上公开数据集获得用户，电影信息以及用户对电影的评分；

步骤2.利用word2vec预处理用户与电影信息，将其转变为向量；

步骤3.将用户向量输入用户侧栈式降噪自编码器，经过多次迭代，获取用户特征向量；将电影特征向量输入电影侧栈式降噪自编码器，经过多次迭代获取电影特征向量；

步骤4.将用户特征向量与电影特征向量作为贝叶斯概率分解矩阵的初始值；

步骤5.根据特征向量计算贝叶斯概率矩阵分解的参数，依照参数更新特征向量，多次重复，直至用户特征向量与电影特征向量内积与现有评分之间的误差低于0.4；

步骤6.根据预测评分进行电影推荐。

2.根据权利要求1所述的基于深度学习和贝叶斯概率矩阵分解的电影推荐算法，其特征在于，步骤2具体为：利用word2vec预处理用户与电影信息，将其转变为向量；因电影标题由多个词汇构成，且有大写字母，所以先将所有大写字母转换为小写字母，将所有标题中的词汇组成词汇表，所有词由one-hot编码转化为词向量，然后对word2vec网络输入需要预测词的上下文向量进行该词预测，至少训练10次，保留网络参数，所有词乘以相应参数获得最终词向量；取该电影标题所有的词向量的平均值获得该电影标题向量，将电影标题向量和电影流派向量取平均值获得电影向量；将用户性别，职业也利用word2vec转化为相应的向量表达，取两个向量的平均值作为用户向量。

3.根据权利要求1所述的基于深度学习和贝叶斯概率矩阵分解的电影推荐算法，其特征在于，步骤3具体为：

向原始用户向量加入噪声,生成第一个DAE输入向量，利用DAE的重构原理迭代训练50次，所有向量重构误差总和低于50，得到第一个隐藏层的各项参数和特征向量1，公式如下

h＝f_θ(x)＝s(Wx+b)；

h为第一个隐藏层的特征向量，x为加入噪声后的输入，W为输入层到隐藏层的权重，b为隐藏层神经元的偏置，s为sigmoid激活函数；第二步将上层的输出即提取出的特征向量作为第二层DAE的输入向量，通过同样方式训练约50次得到隐藏层2的输出，得到最后的输出，即用户特征向量；

将电影向量输入电影侧栈式降噪自编码器，向原始电影向量加入噪声，生成第一个DAE的输入向量，经过50次迭代训练，所有向量的误差总和低于50，获得第一个隐藏层的各项参数和特征向量；第二步将上层的输出即提取出的特征向量作为第二层DAE的输入向量，同样方式训练50次获得隐藏层的输出，即得到最终输出，电影特征向量。

4.根据权利要求1所述的基于深度学习和贝叶斯概率矩阵分解的电影推荐算法，其特征在于，步骤5具体为：

现有评分R与预测评分R^*的差即R-R^*服从均值为0，精度为α的高斯分布，α设置为0.1，用户与项目的特征向量先验分布为：

其中M为用户数目，N为电影数目，μ_U，μ_V为高斯分布均值，Λ_U，Λ_V为精度矩阵，{μ_U，Λ_U}，{μ_V，Λ_V}被定义为超参数Θ_U，Θ_V,超参数服从高斯-威沙特分布共轭先验，如下式

Θ₀为参数μ₀，v₀，W₀的集合，为均值为μ₀，精度矩阵为(β₀Λ_U)^-1的高斯分布概率密度函数，μ₀设置为0，β₀设置为6，是自由度为v₀，尺度矩阵为W₀的威沙特分布，v₀设置为10，W₀设置为10×10的单位矩阵；

利用采用马尔科夫链-蒙特卡洛方法采样得预测评分的近似分布，即：

为用户u_i对电影v_j的预测评分，R为现有评分，T为总采样次数，为用户u_i第t次采样的用户向量，为电影v_j第t次采样的电影向量；

具体采样过程为：第一步根据起始特征矩阵U,V采样得全局超参数，第二步利用全局超参数重新采样得U,V,第三步重复第一，二步，直至最终预测评分与实际评分的误差低于0.4。