[发明专利]一种基于深度协同过滤的推荐方法及系统

说明书

本发明提供一种基于深度协同过滤的推荐方法及系统，包括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；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；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；预测评分，产生推荐列表。提升了推荐列表的准确性，同一过程中，用户和项目隐式向量进行哈达玛积和线性特征提取过程，在结合两者线性表示基础上加入隐藏层可以一定程度上学习到更加复杂的交互函数，进而提高模型的性能，提升用户的体验。

技术领域

本发明涉及计算机技术协同过滤推荐技术领域，尤其涉及一种基于深度协同过滤的推荐方法及系统。

背景技术

在信息爆炸时代，信息过载问题已经成为人人面临的困境之一。推荐系统作为一种核心的信息推送手段，能够及时高效的提供给线上用户感兴趣的信息，节约用户时间成本和系统资源，产生重大的市场价值。

传统的推荐系统从大量的商品中筛选出部分热门商品推荐给用户，但不是每个用户都喜欢大众化的商品，随着时代的发展，用户的个性化特征越来越明显，关注用户偏好和兴趣特征的个性化推荐系统开始出现。

现有技术中有一种基于协同过滤的个性化推荐方法。这一方法先将用户行为中的记录转化为隐式反馈的形式，并且只保留每个用户最近的N个行为，之后通过矩阵分解，并进一步考虑项目外观特征及用户偏好和项目类型对评分造成的偏差，得到预测评分。本质上仍然是考虑附加信息的矩阵分解方法，某种程度上能够克服稀疏性问题，同时考虑项目外观特征及用户偏好和项目类型对评分造成的偏差，可以更准确的实现为用户自动推荐商品。

但是，传统的矩阵分解算法将学习到的用户隐向量和项目隐向量映射到同一空间中，进而线性点积运算束缚了交互函数的表示能力，即很难学习到用户、项目之间复杂非线性的关系，这极大的限制最终生成的推荐列表准确性。

发明内容

本发明为一种基于深度协同过滤的推荐方法，提升了推荐列表的准确性，节约用户时间成本和系统资源，提升用户的体验。

为了解决上述问题，本发明提出了一种基于深度协同过滤的推荐方法，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；

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。

而且，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。

而且，所述步骤二实现方式如下，

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

用户隐式向量和项目隐式向量之间进行哈达玛积和线性特征提取，得到交互函数的不同线性表示。

而且，线性特征提取过程采用多层感知机实现。

而且，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。

而且，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。

另一方面，本发明还提供一种基于深度协同过滤的推荐系统，用于实现如上所述的一种基于深度协同过滤的推荐方法。

而且，包括以下模块，