[发明专利]一种基于用户与专家耦合关系分析的协同过滤推荐方法

权利要求书

1.一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：包括以下步骤：

步骤1：专家属性信息以及用户与专家遴选交互信息获取及预处理；

步骤2：将数据集分割为三个部分：训练集用来训练模型，验证集用来验证训练结果；

步骤3：构造基于用户与专家遴选过程耦合关系聚合性分析模型、基于用户与专家遴选过程耦合关系相对性分析模型以及二者的融合模型；

步骤4：分别使用训练集训练步骤3的模型，同时使用验证集观察两个模型的训练效果，最后完成测试集的测试工作，证明两个模型的鲁棒性；

步骤5：将已经训练好的步骤3的模型并行排列，将各单独模型的输出结点作为顶层DNN的输入连接到DNN隐层，最后缩小融合模型的学习率进行精调；

步骤6：使用验证集验证训练好的模型，通过对比测试集和验证集的精度和误差，调整模型参数，通过多次训练，选择验证集表现最好的模型作为训练结果；

步骤7：在实际环境中运行模型，当预测值和实际值出现较大偏差时，将最新数据加入训练集再次训练模型。

2.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：步骤1所述专家属性信息以及用户与专家遴选交互信息获取及预处理，包括以下步骤：

步骤1.1：采集专家属性信息以及用户与专家遴选交互信息；

步骤1.2：对数据进行预处理，包括但不限于：缺失值均值插补、数据标准化、独热编码、时间戳转换；

步骤1.3：形成用户与专家遴选交互信息矩阵以及专家属性信息矩阵；

步骤1.4：以用户挑选关键词为代表的遴选需求信息为关键点来获取专家推荐列表，从而验证方法的有效性。

3.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：步骤3所述构造基于用户与专家遴选过程耦合关系聚合性分析模型、基于用户与专家遴选过程耦合关系相对性分析模型以及二者的融合模型，包括以下步骤：

步骤3.1：基于用户与专家遴选过程耦合关系聚合性分析模型聚合了用户与专家遴选交互信息矩阵以及专家属性信息矩阵，共同作为网络的输入提取特征来对专家完成推荐；

步骤3.2：基于用户与专家遴选过程耦合关系相对性分析模型轮询了上述两个矩阵的行向量，同时将两条向量合并作为模型的数据，模型分析了两条向量的相对性特征，来完成领域专家的推荐工作；

步骤3.3：融合模型将步骤3.1与步骤3.2两个模型的结果做了特征融合，增强了模型的预测精度。

4.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：步骤4所述分别使用训练集训练步骤3的模型和步骤5所述已经训练好的步骤3的模型并行排列，均包括：步骤3.1与步骤3.2的模型。

5.根据权利要求1所述的一种基于用户与专家耦合关系分析的协同过滤推荐方法，其特征是：所述用户与专家遴选过程耦合关系聚合性分析模型图，包括以下步骤：

步骤1：数据预处理；

步骤2：设计用户与专家遴选交互信息与专家属性信息融合矩阵；

步骤3：融合矩阵通过卷积层抽取显著性特征，并通过局部池化层形成固定长度向量，表达局部的融合矩阵特征关系；

步骤4：融合矩阵直接通过池化层形成全局的特征向量；

步骤5：局部池化向量与全局池化向量进行融合形成对用户与专家交互过程的耦合性聚合关系分析；

步骤6：将数据集分割为两个部分：训练集用来训练模型，验证集用来验证训练结果。