[发明专利]一种基于深度协同过滤的推荐方法及系统

权利要求书

1.一种基于深度协同过滤的推荐方法，其特征在于，包括如下步骤：

步骤一，从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；

步骤二，对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；实现方式包括，

a1.对预处理过的用户、项目数据分别进行嵌入处理embedding，得到用户和项目不同线性过程的隐式向量；

a2.用户隐式向量和项目隐式向量之间进行1)哈达玛积和2)线性特征提取，得到交互函数的不同线性表示，包括：

对转换后的隐式数据，包括用户、项目IDs进行one-hot编码，以对其进行embedding操作，维度是[4,8,16,32,64,128...]中的任一个，即隐式向量的维度；

1)用表示哈达玛积过程中用户的隐式向量，表示项目的隐式向量，那么

其中，表示经过线性表示层-L学习得到的交互函数线性表示向量，表示交互函数哈达玛积过程的映射函数，⊙表示向量之间逐元素相乘；

2)用表示线性特征提取过程中用户的隐式向量，表示项目的隐式向量，那么

……

该线性表示阶段采用多层感知机的实现结构且激活函数为线性函数，其中，c₀和c_X分别表示和直接连接操作之后的隐式表示向量以及第X线性隐藏层学习到的交互函数表示向量，和分别表示该过程中第X层的映射函数以及经过线性表示层学习得到的交互函数线性表示向量，b_X和a_X分别表示交互函数线性特征提取过程隐藏层第X层的权重矩阵，偏置向量和激活函数，X的取值范围为[1，2]，特别的当X＝1时，单层线性表示层的映射维度采用两种方式，减半或者减少4倍；

步骤三，将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；

步骤四，预测评分，产生推荐列表。

2.如权利要求1所述的基于深度协同过滤的推荐方法，其特征在于：所述步骤一中，预处理实现方式如下，

将用户、项目显式评分数据转换成隐式数据；

对隐式数据按照训练和测试的需要进行按比例的分配。

3.如权利要求1所述的基于深度协同过滤的推荐方法，其特征在于：线性特征提取过程采用多层感知机实现。

4.如权利要求1所述的基于深度协同过滤的推荐方法，其特征在于：所述步骤三中，深度神经网络采用单塔层的非线性深度神经网络结构实现。

5.如权利要求4所述的基于深度协同过滤的推荐方法，其特征在于：所述步骤三中，单塔层的非线性深度神经网络结构采用多层感知机实现。

6.一种基于深度协同过滤的推荐系统，其特征在于：用于实现如权利要求1-5任一项所述的一种基于深度协同过滤的推荐方法。

7.根据权利要求6所述基于深度协同过滤的推荐系统，其特征在于：包括以下模块，

第一模块，用于从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；

第二模块，用于对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；

第三模块，用于将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；

第四模块，用于预测评分，产生推荐列表。

8.根据权利要求6所述基于深度协同过滤的推荐系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于深度协同过滤的推荐方法。

9.根据权利要求6所述基于深度协同过滤的推荐系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-5任一项所述的一种基于深度协同过滤的推荐方法。