[发明专利]一种基于堆栈降噪自编码器的图书推荐方法

说明书

本发明公开了一种基于堆栈降噪自编码器的图书推荐方法，首先获得的图书训练集进行预处理，得到完整图书训练集；其次构建特征提取模块，SDAE模块对完整图书训练集中的数据进行特征转换和特征提取，获取表示该图书样本的用户特征向量、用户偏置向量、图书特征向量以及图书偏置向量；将这些向量作为深度学习模型的输入；最后通过随机梯度下降法和反向传播算法训练获得的深度学习模型，损失函数收敛训练结束后即得到最终完成的模型；最后将此模型应用到本校图书馆中，验证模型的有效性和可行性。本发明通过加入辅助信息和偏置向量，打破深度学习和传统推荐算法之间的壁垒，关联两者之间的关系，进一步提升推荐算法的性能。

技术领域

本发明属于基于深度学习的推荐技术领域，具体涉及一种基于堆栈降噪自编码器的推荐技术研究，并且用于实现图书领域的智能推荐。

背景技术

2016年的YouTube发表论文将深度学习应用于视频推荐取得了非常好的效果，自此之后，深度学习技术在推荐系统上的应用越来越广泛，各种论文、产业应用层出不穷。国际著名的推荐系统会议RecSys从2016开始专门组织关于深度学习的会议，深度学习在推荐圈中越来越受到重视。传统的推荐算法需要根据用户-项目评分矩阵进行推荐，这种方式不但特别依赖于评分矩阵的稀疏性而且推荐精度并不理想。相对于传统方法，堆栈降噪自动编码器(SDAE)的最大特点在于能够学习用户和项目的隐向量。

一方面，为了解决冷启动和数据稀疏性等问题，利用辅助信息主要包括用户和图书的辅助信息，将其当作深度学习模型的输入，结果表明通过利用辅助信息能够有效提高推荐精度。另一方面，在探索深度网络中，在推荐算法领域中深度学习被提出以前，推荐精度的提高一直都是推荐领域一个重要的问题。通过改进SDAE的深度模型用来学习用户和项目的隐向量，本发明在此基础上结合用户和项目的评分矩阵R，结合辅助信息和偏置向量来学习用户和项目的隐向量矩阵U和V，进而预测出评分矩阵R中的缺失的值，并使用评分矩阵为用户进行图书推荐。

发明内容

本发明提供一种基于堆栈降噪自编码器的图书推荐方法，通过加入辅助信息和偏置向量，打破深度学习和传统推荐算法之间的壁垒，关联两者之间的关系，进一步提升推荐算法的性能。

本发明提供的技术方案如下：

一种基于堆栈降噪自编码器的图书推荐方法，具体包括以下几个步骤：

步骤1：下载公共图书数据集Book-Crossing；

步骤2：对所述步骤1准备好的图书数据集进行预处理，解决数据不一致、杂乱无章的问题，得到处理后的数据集；

步骤3：定义超参数，本发明模型训练定义的超参数如下：e_epochs＝100；num_layers＝3；learning_rate＝0.1；

步骤4：使用深度学习SDAE提取用户和图书的数据特征，构建用户特征向量和图书特征向量；

步骤5：构建两个堆栈降噪自编码器深度模型，使用所述步骤4得到的两个特征向量分别作为其深度模型的输入，构建深度学习模型，在模型训练过程种使用SGD随机梯度下降法和反向传播训练网络优化损失函数，逐层调整损失函数的权值，直到损失函数不再收敛，结束网络训练，得到权重准确的深度学习模型，使得用户和图书的特征向量更加精确；

步骤6：将所述步骤5训练得到的用户和图书的特性向量，加入用户和图书的偏置，将偏置加入到用户和图书的特征向量，然后将这两个特征向量加入到矩阵分解对应的向量中，进行评分矩阵的填充，达到图书推荐的目的。

步骤7：将本文提出的模型应用到本校图书馆中，为读者进行图书推荐。

进一步的，所述步骤2中对图书数据进行预处理的方式如下：

①对数据集中字段为空的数据进行填充，采用均值的方式；