[发明专利]一种基于用户和项目长短期时间耦合关系分析的推荐方法

说明书

本发明公开了一种基于用户和项目长短期时间耦合关系分析的推荐方法，包括数据采集和处理、划分数据集、构建耦合模型、训练模型和项目推荐。本发明运用了LSTM算法学习了用户及项目在长短期时间内的动态特征信息，使推荐系统具有更好的推荐效果和可解释性，从非独立同分布的角度探究用户/项目之间的耦合关系，并考虑到了其中长短期动态耦合，利用MLP多层感知器捕获了用户/项目之间的动态耦合关系，提高了推荐的质量和准确度；将非独立同分布及将长短期时间因素作为动态特征结合到了协同过滤中，可以较好的解决数据稀疏性和冷启动问题。

技术领域

本发明属于计算机人工智能的技术领域，尤其涉及一种基于用户和项目长短期时间耦合关系分析的推荐方法。

背景技术

随着个性化服务的快速发展，随着用户兴趣的不断发展，推荐系统的推荐准确性也越来越高。然而，大多数传统的顺序推荐方法都隐含地假设用户和项是独立且同分布的(IID)。具体来说，他们忽略了用户和项之间的复杂耦合性及异构性，而考虑到非独立同分布(Non-IID)的推荐系统几乎没有考虑到用户特征及项目特征的动态耦合性，实际上用户的评分喜好都会随着时间有长短期的变化，项目对于大众的受欢迎情况也会随着长短期时间而变化，例如，同一用户的长期偏好与近期的喜好可能是相关的，这种动态的耦合关系可以更好的解释用户对项目的动态偏好，从而为用户提供更准确的推荐。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于用户和项目长短期时间耦合关系分析的推荐方法，具有良好的推荐准确度和可解释性。

为了解决上述技术问题，本发明通过以下技术方案来实现：本发明提供一种基于用户和项目长短期时间耦合关系分析的推荐方法，包括：

S1、数据采集和处理：在Grouplens网站下载MovieLens 100K和MovieLens 1M数据集，清理脏数据；

S2、划分数据集：将处理好的数据集按8:1:1的比例划分为训练集、测试集和验证集；

S3、构建耦合模型：用长短期记忆神经网络学习用户的动态偏好及项目的动态受欢迎情况，用多层感知器分别学习用户特征耦合关系与项目特征耦合关系，并将两者融合进行推荐；

S4、训练模型和项目推荐：步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的耦合模型，考虑用户/项目长短期的动态偏好以及相应用户/项目特征信息之间的耦合关系，根据用户对项目的预测评分判断是否将项目推荐给用户。

所述步骤S1的数据采集和处理的具体步骤如下：

S101、Grouplens网站下载MovieLens 100K和MovieLens 1M数据集，做数据预处理，并清理脏数据；

S102、提取数据集中用户/项目在长期和短期内的评价信息及基本特征信息，将其转化为向量。

进一步的，所述步骤S3中构建耦合模型的具体步骤如下：

S301、构建输入层：输入层包括4个输入内容，用户项目ID、用户长短期评价信息、项目ID及项目长短期评价信息；

S302、构建用户动态预测模型、项目动态预测模型以及基于用户和项目长短期时间耦合性方法；即构建基于用户项目长短期时间耦合关系学习框架；

S303、构建输出层：预测用户对项目的评分。

进一步的，所述步骤S302中构建用户动态预测模型、项目动态预测模型以及基于用户及项目的长短期时间耦合关系方法的具体步骤如下：