[发明专利]一种基于深度神经网络的电影推荐方法

说明书

本发明涉及数据推荐技术领域，具体涉及一种基于深度神经网络的电影推荐方法，包括：获取数据集进行特征选择，得到用户特征和电影特征；根据用户特征构建用户特征矩阵，根据电影特征构建电影特征矩阵；根据用户特征矩阵和电影特征矩阵构建用户‑电影特征矩阵；初始化电影推荐模型，将用户‑电影特征矩阵输入电影推荐模型中，采用梯度下降法对模型进行训练，得到训练好的电影推荐模型；利用训练好的电影推荐模型预测评分并给用户推荐电影。本发明利用户基本数据和项目基本数据可以充分学习用户和项目的潜在特征，增强了推荐结果可靠性。

技术领域

本发明涉及数据推荐技术领域，具体涉及一种基于深度神经网络(Deep NeuralNetworks，DNN)的电影推荐方法。

背景技术

随着互联网的飞速发展，网络平台上的信息量快速增长，但海量的信息丰富我们生活的同时，也造成了信息过载的问题，导致用户无法迅速找到自己的目标内容。为了解决这一问题，推荐系统应运而生，近几年来，推荐系统在各个商业领域都得到了广泛的应用，为用户在网络平台上提供建议，帮助用户更准确、更迅速的找到用户所要查找的信息。

推荐系统的准确率和效率关键在于推荐算法，使用最广泛的的算法是协同过滤(Collaborative fltering)推荐算法。CF(协同过滤)算法包括两类：基于内存的方法和基于模型的方法，其中基于内存的CF使用用户或项目之间的相似性来提出建议，由于该方法有效且易于实现，因此得到了广泛的应用。尽管协同推荐算法已经得到了广泛的研究和应用，但是随着推荐系统规模增大，相似度的计算变得越来越困难，协同推荐算法存在两个重要的问题：1.冷启动问题(Sparsity problem)：对于系统中的新用户或者新项目，由于没有对项目或者用户进行交互，因此协同过滤推荐算法就很难计算用户与用户之间的相似度或者项目与项目之间的相似度，无法将为新的用户推荐项目或者无法将新项目推荐给用户。这就是所谓的冷启动问题。2.稀疏性问题(Cold-start problem)：推荐系统在大数据环境下的推荐过程中需要分析大量的数据，但是由于单个用户对项目的评分是有限的，这就导致了用户项目评分矩阵的稀疏性，稀疏的用户-项目评分矩阵难以计算出用户或者项目的相似性，严重影响着推荐系统的质量。

为了缓解协同推荐算法中的数据稀疏性和冷启动问题，将各种类型的辅助数据纳入推荐算法，被广泛研究的辅助数据并主要用于当前的推荐算法中包括：社会信任关系，项目内容，项目评论，社交网络和用户的社交标签。这些算法可以提高推荐结果准确性，减轻数据稀疏或冷启动问题。但是，在某些实际情况下，某些辅助数据无法获得的，大大降低了推荐结果的准确性。与这些辅助数据相比，用户基本数据(例如，用户性别，用户年龄和用户ID)以及项目基本数据(例如项目名称，项目类别)更易于在网站上获得。利用用户和项目基本数据作为推荐系统的用户特征和项目特征，可以缓解数据稀疏性和冷启动问题，并提升推荐算法的效果。有些推荐算法虽然已经使用用户和项目的基本数据，但这些算法通常将用户和项目的基本数据直接通过某些规则或方法转换(例如，使用模糊数或区间数)。这些直接转换方法可能会导致信息丢失，无法从用户和项目基本数据中充分挖掘潜在或深层的用户和项目特征并给出推荐。此外，常用的推荐算法中，同时使用用户和项目基本数据构建推荐系统的研究仍然相对较少。因此，如何从用户和项目的基本数据的不同维度中提取和构建推荐模型的有用特征实现推荐是一个关键问题。