[发明专利]基于向量迁移的推荐方法、装置、计算机设备及存储介质

权利要求书

1.一种基于向量迁移的推荐方法，其特征在于，包括步骤：

获取通过全量数据训练好的隐语义模型，其中，所述全量数据包括用户历史偏好数据，所述训练好的隐语义模型包括由全量数据训练得到的全量矩阵；

提取所述隐语义模型中的目标特征向量，其中，所述目标特征向量包括商品特征向量；

将所述目标特征向量迁移到预先设置的深度神经网络中的对应特征向量层，得到融合深度神经网络；

基于所述融合深度神经网络，输出预测结果进行推荐，其中，所述预测结果包括商品预测结果；

所述提取所述隐语义模型中的目标特征向量的步骤具体包括：

对所述隐语义模型中的全量矩阵进行矩阵分解，得到包括商品特征的隐式因子矩阵，所述全量矩阵包括商品特征及用户特征；

基于所述商品特征的隐式因子矩阵提取商品特征向量；

所述对所述隐语义模型中的全量矩阵进行矩阵分解的步骤具体包括：

使用随机梯度下降算法对损失函数进行优化，迭代计算参数，直到参数收敛；

基于收敛的参数得到隐式因子矩阵，其中参数指的是隐式因子矩阵中矩阵单元的参数。

2.根据权利要求1所述的基于向量迁移的推荐方法，其特征在于，所述基于所述商品特征的隐式因子矩阵提取商品特征向量的步骤具体包括：

提取所述商品特征的隐式因子矩阵中的类别所在的行或列作为目标特征向量，其中，目标特征向量包括至少一个类别属性与多个隐式因子对应的矩阵单元。

3.根据权利要求1所述的基于向量迁移的推荐方法，其特征在于，所述深度神经网络的预先设置的步骤具体包括：

获取所述深度神经网络的初始权重参数，并通过训练集对所述深度神经网络进行训练；

调整深度神经网络中的权重参数，使训练集的曲线拟合，得到最终权重参数。

4.根据权利要求1所述的基于向量迁移的推荐方法，其特征在于，所述将所述目标特征向量迁移到预先设置的深度神经网络中的对应特征向量层的步骤具体包括：

判断提取的目标特征向量的属性；

根据所述目标特征向量的属性，匹配到深度神经网络中对应属性的特征向量层，将对应属性的特征向量层中的向量替换为目标特征向量。

5.根据权利要求1至4中任一所述的基于向量迁移的推荐方法，其特征在于，所述方法还包括步骤：

检测所述隐语义模型的全量矩阵是否更新；

若所述隐语义模型的全量矩阵更新，则重新提取目标特征向量，并更新融合深度神经网络中对应的特征向量层中的向量数据。

6.一种基于向量迁移的推荐装置，其特征在于，包括：

获取模块，用于获取通过全量数据训练好的隐语义模型，其中，所述全量数据包括用户历史偏好数据，所述训练好的隐语义模型包括由全量数据训练得到的全量矩阵；

提取模块，用于提取所述隐语义模型中的目标特征向量，其中，所述目标特征向量包括商品特征向量；

迁移模块，用于将所述目标特征向量迁移到预先设置的深度神经网络中的对应特征向量层，得到融合深度神经网络；

推荐模块，用于基于所述融合深度神经网络，输出预测结果进行推荐，其中，所述预测结果包括商品预测结果；

所述提取模块包括：分解单元以及提取单元，其中：

所述分解单元，用于对所述隐语义模型中的全量矩阵进行矩阵分解，得到包括商品特征的隐式因子矩阵，所述全量矩阵包括商品特征及用户特征；

所述提取单元，用于基于所述商品特征的隐式因子矩阵提取商品特征向量；

所述分解单元包括：第一计算子单元、第二计算子单元，其中：

所述第一计算子单元，用于使用随机梯度下降算法对损失函数进行优化，迭代计算参数，直到参数收敛；

所述第二计算子单元，用于基于收敛的参数得到隐式因子矩阵，其中参数指的是隐式因子矩阵中矩阵单元的参数。

7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于向量迁移的推荐方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于向量迁移的推荐方法的步骤。