[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

说明书

一种基于深度学习与贝叶斯概率矩阵分解的电影推荐算法，属于电影推荐技术领域。在众多推荐系统中，矩阵分解模型因为其准确高效，易于实现得到广泛应用，但矩阵分解原理是将用户评分矩阵分为用户与项目特征向量，当评分矩阵稀疏时，推荐准确度将大大降低，为了解决这个问题，本方法将深度学习与基于协同的推荐算法相结合，利用堆栈自编码器学习用户与项目的辅助信息，贝叶斯概率分解矩阵从辅助信息和原有的评分中预测用户偏好。本方法在预测评分准确度方面有明显提升。

技术领域

本方法属于电影推荐技术领域，具体设计结合深度学习与贝叶斯概率矩阵分解的电影推荐算法。

背景技术

随着互联网的快速发展，数据爆发式增长，带来一定便利的同时也带来了困扰。针对海量影视数据，用户真正需要的信息则难以寻找。为了解决信息过载的问题，推荐系统应运而生。个性化推荐系统从众多数据中提取出有用的信息，通过收集用户的行为日志等数据，分析用户的兴趣并向其推荐相应信息。

基于协同过滤的推荐算法是目前应用较为广泛的推荐算法之一。它利用用户之前的评分计算用户或电影相似度，学习用户与电影之间的潜在特征，从而进行评分预测。但这会造成无法推荐冷门电影，当新电影上映时，因为没有评分数据无法进行相似度计算。且仅靠评分无法准确挖掘用户，电影的潜在特征。

近年来，深度学习模型在计算机视觉和自然语言处理领域展示出了巨大的潜力，深度学习可以有效捕捉到用户和物品之间的关系，将用户或物品用向量表示，获取他们的复杂特征。在Netflix Prize竞赛上，有人首次提出将深度学习加入到推荐算法中，受限玻尔兹曼机的出现使得竞赛上了一个新台阶。之后基于深度学习的推荐算法的相关研究急剧增加。但是众多算法依然存在耗时长，参数设置繁琐的问题。

针对以上技术缺陷，本发明借助深度学习和基于模型的协同过滤的推荐算法解决这些问题。

发明内容

本发明解决的技术问题是：普通算法推荐准确度不高，易受稀疏数据和冷启动问题的影响，基于深度学习的推荐算法耗时长。

针对上述问题，本发明提供了一种基于深度学习与贝叶斯概率矩阵分解模型的算法，步骤如下：

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矩阵分解的初始值。

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。

本发明从用户与项目两方面着手，通过堆栈降噪自编码器提取特征向量，将用户与项目的辅助信息融合到贝叶斯概率矩阵分解模型中，这使得该模型可以同时学习到用户，项目的潜在特征以及用户与项目之间的隐式关系，拥有更准确的特征属性，提高了推荐质量，减少

了计算时间。

附图说明

图1为栈式降噪自编码器模型图

图2为本发明贝叶斯概率矩阵分解模型图

图3为贝叶斯概率矩阵分解采样流程图

图4为本发明基于深度学习和贝叶斯概率矩阵分解的整体模型图

具体实施方式

下面结合附图对本发明做进一步的详细描述：