[发明专利]一种基于异构建模的深层神经网络Top-N推荐方法

说明书

本发明涉及深度学习和智能推荐技术领域，具体涉及一种基于异构建模的深层神经网络Top‑N推荐方法，包括：数据获取构建，得到用户与物品的交互信息；将原始推荐用的异构信息网络,即用户物品评分网络通过构造元路径生成增强的显示和隐式反馈矩阵；MFDNN模型进行信息分析，即将所得到的显示反馈信息和隐式反馈信息输入MFDNN模型进行信息分析预测缺失的用户‑项目交互评分值；将MFDNN模型最终训练得到的用户物品向量嵌入输入到MFDNN模型，得到评分，进行排序输出；将MFDNN模型最终预测的用户对物品的评分与真实的用户评分进行对比，得出模型的效果；本发明能有效准确解决用户在海量的信息中寻找自己喜欢的信息问题。

技术领域

本发明涉及深度学习和智能推荐技术领域，具体涉及一种基于异构建模的深层神经网络Top-N推荐方法。

背景技术

“大数据”一词已经广为人知，世界逐步进入了“大数据时代”。随着信息量的快速增长，许多用户在寻找关于学习资源、电影、音乐、热门事件和其他领域的信息时，都求助于推荐算法。虽然各种互联网应用程序生成的数据包含丰富的信息，但对这些数据的无效管理会导致信息过载等问题。

为了处理网络中的海量信息，建模技术在快速准确地找到最受欢迎的信息方面具有巨大的潜力；然而，现存的问题：1.大量的异构信息网络数据隐藏了物品的全面和详细的信息。因此，挖掘和分析异构信息网络中的有价值的信息是一个关键的挑战；2.异构信息网络的快速扩展产生了越来越多的数据，例如各种各样的用户特征，如何利用这些功能来构建统一的Top-N推荐模型是一个关键的问题；3.实际上，很难组合和测量物品的所有特征来产生HIN推荐。考虑所有的特征可能需要大量的时间，并导致过度拟合的问题，因此，在异构信息网络中的要合理的选择特征。

面对传统的推荐算法的缺点，如何有效全面捕捉用户偏好，提高推荐性能成了一个待解决的问题。因此，有必要提出一种能够更全面地获得用户的偏好信息和物品的潜在特征，有效的提高推荐的准确性、新颖性和多样性的推荐算法。

部分专业术语解释：

异构信息网络简称：HIN；HIN：异质信息网络G＝(V,E)包括不同类型的对象和关系，每个对象属于一个特定的对象类型，每个关系属于一个特定的关系类型。比如说文献网络、社交媒体网络等。

发明内容

针对上述的缺陷，本发明解决如何有效全面捕捉用户偏好，提高推荐性能，提高推荐的准确性、新颖性和多样性。

实现上述目的，本发明提供如下技术方案：

一种基于异构建模的深层神经网络Top-N推荐算法，包括如下步骤：

S1、数据获取构建，得到用户与物品的交互信息；

S2、将原始推荐用的异构信息网络,即用户物品评分网络通过构造元路径生成增强的显示和隐式反馈矩阵；

S3、MFDNN模型进行信息分析，即将所得到的显示反馈信息和隐式反馈信息输入MFDNN模型进行信息分析预测缺失的用户-项目交互评分值；

S4、将MFDNN模型最终训练得到的用户物品向量嵌入输入到MFDNN模型，得到评分，进行排序输出；

S5、将MFDNN模型最终预测的用户对物品的评分与真实的用户评分进行对比，得出模型的效果。

本发明技术方案的进一步改进在于：S2中包括如下步骤：

S2.1、将原始用户物品评分数据u,r,i中的评分r设置一个阈值T，高于阈值的交互认为是训练时的正样本，低于这个阈值的认为是训练时的负样本；

步骤S2.1包括如下步骤：

S2.1.1、阈值T的设置可以采用统计方法，统计所有的评分数据，选取所有数据的平均数，或者中位数,具体的选取可以将阈值T作为模型的一个超参数，根据整体效果调节；