[发明专利]基于深度学习处理多源异构数据的推荐方法

摘要

近年来深度学习被广泛应用在了图像和音频识别、文本分类和表示学习等领域，基于深度学习的推荐系统也成为学者们的研究热点。深度学习模型在图像、文本等特定数据的表示学习中都取得了极好的效果，避免了复杂的特征工程，可以得到异构数据的非线性多层次的抽象特征表示，克服了多种数据的异质性。目前，融合评分、评论和社交网络的深度学习推荐模型尚未提出。本专利基于深度学习算法，给出了一个具有较强拓展性的推荐流程，分析了不同数据适合使用的相关算法及原理，根据不同数据的损失函数推出了结合评论、评分和社交信息的最终损失函数，提高了推荐结果的准确度。

主权项

1.基于深度学习提出能够处理多源异构数据的推荐模型，模型具有准确度高、可扩展性强等优点。上述方法包含了如下步骤：(1)文本特征提取：使用PV‑DBOW模型学习文本段落的特征向量表示；模型采用的是分布式的词袋模型(Distributed Bag‑of‑Words)，该模型使用一个段落向量来预测段落中随机采样得到的词语；(2)评分特征提取：使用两层全连接的神经网络来学习用户对物品的评分；与文本特征学习模型不同的是，本方法可以直接得到用户和物品的特征向量表示，而不是直接提取评分的特征；(3)用户物品特征融合：根据(1)求得的评论文本特征，可以将每位用户发出的评论特征向量加权求和得到用户特征，将物品收到的评论特征向量加权求和得到物品特征，最后使用融合函数将用户的文本和评分特征融合得到用户的融合特征，将物品的文本和评分特征融合得到物品的融合特征；(4)基于BPR的优化：基于社交网络采样得到带有用户偏好的三元组，根据贝叶斯理论优化得到最佳模型参数；(5)推荐：根据步骤(4)求得的模型参数，将用户和物品的特征向量输入到模型中为用户推荐物品。