[发明专利]一种社交网络下基于深度学习的个性化推荐系统

摘要

本发明公开一种社交网络下基于深度学习的个性化推荐系统，主要包括离线学习模块和在线推荐模块。离线学习模块首先生成训练样本集合，进而构造带注意力机制的深度卷积神经网络学习模型，并对学习模型中的参数进行迭代优化；在线推荐模块基于训练得到的学习模型对新注册的用户进行实时物品推荐。与现有技术相比，本发明具有准确度高、速度快和简单易实现等优点，能够有效应用于电子商务、舆情监控、智能交通以及医疗健康等领域。

主权项

一种社交网络下基于深度学习的个性化推荐系统，其特征在于，包括主要由离线学习和在线推荐两个模块，其中，模块1(离线学习模块)包括三个步骤：步骤1：训练样本集合生成。选取一定数量的现有用户，并针对被选取的每个用户，获取该用户最近购买过的若干物品以及从未购买过的若干物品。对于每个“用户‑物品”对，将它表示成特征的形式，其中用户特征包括用户在推荐系统中登记的人口统计学特征、用户的社交网络特征以及用户联系最紧密的若干好友的人口统计学特征和社交网络特征，物品特征包括物品的固有特征、物品类别特征、物品购买行为特征以及物品的社交网络特征。在此基础上，产生两个形式的训练样本：(1)如果用户购买过该物品，那么生成样本(用户特征，物品特征，+1)，(2)如果用户从未购买过该物品，那么生成样本(用户特征，物品特征，‑1)。步骤2：带注意力机制的深度卷积神经网络学习模型构造。学习模型从输入端到输出端，共由四个部件组成：(1)特征嵌套层，将输入的训练样本转换成用户特征矩阵和物品特征矩阵，(2)注意力机制层，基于特征嵌套层的用户特征矩阵和物品特征矩阵，分别产生用户注意力特征矩阵和物品注意力特征矩阵，(3)特征融合层，融合特征嵌套层和注意力机制层中的用户特征矩阵和用户注意力特征矩阵，以及物品特征矩阵和物品注意力特征矩阵，分别产生用户融合矩阵和物品融合矩阵，(4)卷积‑池化层，基于特征融合层的用户融合矩阵和物品融合矩阵，分别产生全局用户池化向量和全局物品池化向量，(5)逻辑回归层，基于卷积‑池化层的全局用户池化向量和全局物品池化向量，输出一个0‑1间的实数。步骤3：学习模型参数迭代优化。对步骤2中的学习模型，构造其损失函数，并基于步骤1中的训练样本，采用不同的优化方法对损失函数中的参数进行迭代优化，并识别出最优的优化方法。模块2(在线推荐模块)对于新注册的用户，生成该用户的用户特征，并对推荐系统中的每个物品，生成其物品特征，然后基于模块1中获得的学习模型，产生新注册用户购买该物品的概率，并最终将概率值最高的若干物品返回给用户。