[发明专利]一种融合情感计算和网络众包的并行推荐方法

说明书

本发明公开了一种融合情感计算和网络众包的并行推荐方法，大致包括：准确、高效的基于表情识别的用户意图检测方法；支持用户意图检测和网络众包的协同推荐算法；分布式平台上推荐算法的推测并行化方法；本发明基于用户表情识别、深度学习、推测多线程技术和数学建模方法，探索利用用户的表情和社交网络特征构建目标用户的兴趣模型，研究分布式平台上符合用户动态兴趣的推荐方法，旨在构建一个实时、高效、并行的推荐方法，提高推荐系统的执行效率，为用户在购物、医疗、旅游、交通等方面广泛应用、安全持久发展，提供必要和亟需的计算基础理论。

技术领域

本发明属于互联网数据技术领域，具体涉及一种融合情感计算和网络众包的并行推荐方法。

背景技术

目前，随着互联网的飞速发展和大数据时代的到来，数据呈爆发式增长。据IDC统计，2020年全球数据存量将增长至44ZB，2025年高达160ZB。这为我们提供了便捷的同时，也带来了一定的困扰，主要体现在：一是数据过载，这就要求提供大量或大容量的存储设备来跟进存储；二是如何在众多数据中找到用户真正有用、需要的信息。如何帮助用户高效地在浩瀚的网络资源中找到有用的信息，提高效用性价比，成为普遍关注的热点和亟待解决的问题。推荐方法为解决此问题开辟了新思路，且引起人们越来越多的关注。

回顾推荐方法的研究发展，主要集中在以下几方面：基于内容的推荐、协同过滤推荐、基于关联规则推荐、基于知识推荐、基于上下文推荐、基于深度学习推荐和混合推荐。目前的推荐方法多是基于用户的离线的、静态的特征，而缺乏用户实时的、动态的特征融入，且缺乏用户情感信息的考虑。然而，近三年来，随着移动互联网和社交网络的快速发展，用户的行为特征呈现出动态性和随机性，使用静态的用户特征已经满足不了社交网络场景中实时推荐的需求。此外，为提升推荐方法执行效率，离不开推荐方法并行化，目前主要依托分布式计算平台的支持，而缺乏对推荐算法潜在并行性进行挖掘的研究。特别是，当前的推荐算法包含多个模块，模块间存在复杂的依赖关系，且算法执行的数据呈现高维度、异构等特征，传统的并行化方法(OpenMP、MPI、TBB、OpenCL、CUDA等)多采用保守的方法解决依赖问题，即采用同步或通信来序列化存在依赖关系的并发单位(线程或者进程)，导致算法的并行化效果不佳。

从目前国内外对推荐方法的研究现状来看：目前的推荐方法多是基于用户的离线的、静态的特征，而缺乏用户实时的、动态的特征融入，且缺乏用户情感信息的考虑。然而，近三年来，随着移动互联网和社交网络的快速发展，用户的行为特征呈现出动态性和随机性，使用静态的用户特征已经满足不了社交网络场景中实时推荐的需求。此外，为提升推荐方法执行效率，离不开推荐方法并行化，目前主要依托分布式计算平台的支持，而缺乏对推荐算法潜在并行性进行挖掘的研究。

发明内容

有鉴于此，为解决上述现有技术的不足，本发明的目的在于提供了一种融合情感计算和网络众包的并行推荐方法，基于用户表情识别、深度学习、推测多线程技术和数学建模方法，探索利用用户的表情和社交网络特征构建目标用户的兴趣模型，研究分布式平台上符合用户动态兴趣的推荐方法，旨在构建一个实时、高效、并行的推荐方法，提高推荐系统的执行效率，为用户在购物、医疗、旅游、交通等方面广泛应用、安全持久发展，提供必要和亟需的计算基础理论。

为实现上述目的，本发明所采用的技术方案是：

一种融合情感计算和网络众包的并行推荐方法，包括以下步骤：

S1：研究用户表情识别分析，提出基于深度学习的表情识别方法，输出用户表情类别；

S11：建立层次化特征分析框架；

S12：用户特征分析层：基于层次化分析框架的用户特征分析和半监督聚类方法；

S2：基于心理学模型，研究用户心理特征，进而分析和识别用户的意图，并研究符合该用户意图推荐算法的构建方法；

S21：兴趣度模型的构建；