[发明专利]一种基于进化算法的超参数自适应深度推荐方法及装置

说明书

本发明涉及计算机大数据处理分析技术领域，具体涉及电子商务系统中一种基于进化算法的超参数自适应深度推荐方法，包括S1.接收推荐数据集、S2.模型重构与超参数深度精细化匹配、S3.目标函数统一化构造、S4.计算最后一层反向传播传递误差、S5.种群初始化、S6.进化算法超参数迭代优化、S7.梯度下降更新模型参数、S8.完成训练存储模型；以及一种基于进化算法的超参数自适应深度推荐装置，包括：数据接收模块、数据存储模块、预处理模块及执行模块，采用本发明提供的技术方案，作用于不同的推荐系统用户项目交互数据集，结合差分进化算法的自适应寻优能力，实现超参数的动态自适应，节约计算资源和人力成本。

技术领域

本发明涉及计算机大数据处理分析技术领域，具体涉及电子商务系统中一种基于进化算法的超参数自适应深度推荐方法及装置。

背景技术

现代大型电子商务系统中，包含大量的用户和项目的行为交互数据。一种典型的数据描述结构是用户行为统计矩阵，其中的每一行和每一列分别对应一个用户和一个项目，项目指系统中用户可能通过行为进行交互的客观事物，如电影、新闻、商品等；每一个矩阵单元元素对应单个用户对单个项目的历史行为数据，利用符合自然规律的数学统计方法进行量化计算构成。在大型电子商务系统中，用户和项目的数量十分巨大，因此对应的用户行为统计矩阵同样十分巨大。一个用户无法对所有的项目进行交互，而一个项目也不可能与所有的用户有交互。用户的行为统计数据中已知数据远少于未知数据，因此矩阵是极端稀疏的。

推荐系统根据用户需求、兴趣、偏好等，通过推荐算法从海量数据中挖掘出用户感兴趣的项目，如信息、服务、物品等，并将结果以个性化列表的形式推荐给用户。传统的推荐系统运用机器学习的方法通过对用户偏好、项目特征、历史信息以及其他的一些附加信息，通过矩阵模型建立用户兴趣打分机制，从而为用户生成推荐列表。

深度学习在图像识别、机器翻译、语音识别和在线广告等领域取得了突破性进展，已经成为了人工智能的一个热潮，为推荐系统研究带来了新的机遇。一方面，深度学习可通过学习一种深层次非线性网络结构，表征用户和项目相关的海量数据，具有强大的学习数据集本质特征的能力，能够获取用户和项目的深层次特征表示；另一方面，深度学习通过从多源异构数据中进行自动特征学习，从而将不同数据映射到同一个相同的隐空间，能够获得数据的统一表征，在此基础上融合传统推荐方法进行推荐，能够有效利用多源异构数据，缓解传统推荐系统中的数据稀疏和冷启动问题。但是，深度学习模型的神经网络学习效果很大程度上受到超参数选取和优化算法选择的影响。通过人工手段来进行选择仍费时费力，自适应地选择优化学习过程将是深度学习发展地一个趋势。

因此，构建一个根据不同推荐系统用户行为统计矩阵数据集，实现超参数的动态自适应，从而获得拥有良好的泛化能力且性能优异的深度推荐模型，节约计算资源和人力成本，是大数据时代推荐系统所面临的一个挑战性的任务。

发明内容

本发明为解决上述问题，提供一种基于进化算法的超参数自适应深度推荐方法及装置，作用于不同的推荐系统用户行为统计矩阵数据集，结合差分进化算法的自适应寻优能力，实现超参数的动态自适应，节约计算资源和人力成本。

为了达到上述技术效果，本发明提供以下技术方案：

一种基于进化算法的超参数自适应深度推荐方法，包括以下步骤：

S1.接收推荐数据集：服务器获取新的推荐系统用户行为统计矩阵数据集；

S2.模型重构与超参数深度精细化匹配：进行深度推荐模型重构，将超参数学习率及正则化参数按照模型的深度及层数进行向量化匹配成为精细化超参数，且每层设有单独的超参数对；

S3.目标函数统一化构造：超参数自适应深度推荐装置对深度推荐模型进行形式化统一，并构造统一的目标函数；

S4.计算最后一层反向传播传递误差：通过当前一个批次的训练集真实值，求出最后一层的训练误差，通过反向传播传递误差；