[发明专利]一种基于改进循环神经网络算法的推荐召回方法及系统

说明书

本发明公开了一种基于改进神经网络的推荐系统在线召回方法及系统，对目标用户交互数据进行时间序列化过滤，得到用户‑对象交互记录，并对用户‑对象交互记录进行基于交互记录的对象类别特征提取，得到对象类别特征，并利用改进RNN循环神经网络对用户‑对象交互记录与对象类别特征进行融合预测，得到召回生成结果；本发明充分挖掘了用户交互记录的时间特性以及交互对象的类别信息，使召回生成结果兼顾用户偏好挖掘的准确性和及时性，填补了直接交互数据的缺失，为后续推荐方法提供了可靠输入，并通过融合对象类别特征增大原始数据规模，丰富了推荐召回集合，缓解数据稀松问题，并利用改进循环RNN神经网络为用户提供更加准确推荐结果，提升用户体验。

技术领域

本发明涉及信息检索技术领域，具体涉及一种基于改进循环神经网络算法的推荐召回方法及系统。

背景技术

随着互联网技术的飞速发展，基于互联网的信息提供平台已十分丰富。为提高用户对平台的粘度，如何在海量信息基础上为用户提供准确的信息推荐，特别是提供个性化的推荐召回，已成为现在急需解决的问题。

现有技术中公开了一种基于用户评论的推荐算法，通过获取用户对目标商品的评论集及对某一商品的所有评论集，根据这两个评论集及用户的购买历史记录构造用户和商品的对象类别向量，并构造对象类别矩阵，通过卷积神经网络提取商品的交互对象类别，最终进行推荐；只是通过对用户与商品的间接评论文本数据进行处理与挖掘，没有充分挖掘商品和用户之间发生的直接用户交互行为数据，特别是这种数据的时间序列化属性，这导致该算法在推荐准确度比较低；

现有技术中还公开了一种基于循环神经网络的推荐算法，通过使用商品的交互数据和商品的类别信息构造Rating-RNN神经网络和Category-RNN神经网络，通过两个模型的混合使用得到融合神经网络模型Mixing-RNN，最终进行推荐；使用模型需要大量的序列化的数据作为模型训练基础，但是它无视了交互对象的类别信息，无法计算出或者较为准确的计算出用户的兴趣点，将无法提供准确的推荐结果。

目前的推荐系统存在以下两个问题：

1、对用户行为数据的时间属性利用率不足；

2、面对数据稀疏性问题时性能发挥受限。

发明内容

针对现有技术中的上述不足，本发明提供了一种基于改进循环神经网络算法的推荐召回方法及系统。

为了达到上述发明目的，本发明采用的技术方案为：

一方面，一种基于改进循环神经网络算法的推荐召回方法，包括以下步骤：

S1、对目标用户交互数据进行时间交互序列化过滤，得到用户-对象交互记录；

S2、根据步骤S1中用户-对象交互记录提取目标用户的交互对象类别特征；

S3、基于改进RNN循环神经网络对步骤S1中用户-对象交互记录与步骤S2中交互对象类别特征进行融合预测，得到召回生成结果。

本发明具有以下有益效果：

对目标用户交互数据进行时间交互序列化过滤，得到用户-对象交互记录，并根据用户-对象交互记录提取目标用户的交互对象类别特征，并利用改进RNN循环神经网络对用户-对象交互记录与交互对象类别特征进行融合预测，得到召回生成结果，充分挖掘了用户交互记录的时间特性以及交互对象的类别信息，使召回生成结果兼顾用户偏好挖掘的准确性和及时性，缓解数据稀松性问题，提高推荐结果准确性，为用户提供更加准确的推荐功能，提升用户体验。

进一步地，所述步骤S1具体包括以下分步骤：

S11、对目标用户交互数据进行数据清理；

S12、对步骤S11中清理后交互数据进行时间序列范围内过滤，得到目标用户在预设时间范围内用户-对象交互行为信息；