[发明专利]基于深度学习的电商客户推荐方法

权利要求书

1.基于深度学习的电商客户推荐方法，其特征在于，包括以下步骤：

建立DLFM模型，DLFM模型为在神经网络框架下加深FM，用于学习高阶和非线性特征交互，通过DLFM模型将线性因式分解机器与非线性神经网络相结合；

建立NFM体系机构，NFM体系机构为双交互操作，能够允许神经网络模型在较低级别学习更多信息性特征交互，通过将神经网络与FM连接，能够实现对稀疏数据的预测；

将NFM体系机构与DLFM模型相结合，将NFM体系机构与DLFM模型相结合形成神经网络结构。

2.根据权利要求1所述的基于深度学习的电商客户推荐方法，其特征在于：所述NFM体系机构只有一个隐藏层，NFM的性能明显优于FM、高阶FM和最先进的深度学习方法宽、深和深交叉。

3.根据权利要求1所述的基于深度学习的电商客户推荐方法，其特征在于：所述FM是基于分解机的线性模型，是为协同过滤推荐而提出的，给定一个实值特征向量xwRn调频通过对每一对特征之间的所有相互作用进行建模，通过因式分解的相互作用参数来估计目标，利用特征之间的二阶因式分解相互作用来增强线性Logistic回归，FM可以模拟许多特定的因式分解模型，如标准MF、并行因子分析和SVD++由于这种通用性。

4.根据权利要求1所述的基于深度学习的电商客户推荐方法，其特征在于：神经网络结构还包括有：

多层感知器(MLP)：是一种前馈神经网络，在输入层和输出层之间具有多个隐藏层。在此，感知器可以采用任意的激活函数，并且不一定代表严格的二进制分类器，可以将MLP理解为非线性变换的堆叠层，从而学习层次特征表示，MLP也被称为通用近似器；

自动编码器(AE)：是一种无监督模型，试图在输出层中重建其输入数据，通常，瓶颈层用作输入数据的显着特征表示，自动编码器有很多变体；

卷积神经网络(CNN)：是一种特殊的前馈神经网络，具有卷积层和池化操作，它可以捕获全局和局部特征，并显着提高效率和准确性；

递归神经网络(RNN)：适用于建模顺序数据，与前馈神经网络不同，RNN中有循环和记忆以记住以前的计算；

受限玻尔兹曼机(RBM)：是由可见层和隐藏层组成的两层神经网络。

神经自回归分布估计(NADE)：是在自回归模型和前馈神经网络之上构建的无监督神经网络；

对抗网络(AN)：是一个生成神经网络，由一个鉴别器和一个生成器组成。