CN106933996A - 一种采用深度特征匹配的推荐方法 - Google Patents

Abstract

本发明公开了一种采用深度特征匹配的推荐方法，其包括步骤：S1：通过用户数据、资源数据建立人工神经网络结构的模型，模型包括若干个层；S2：定义模型的层数，每一层的神经元数目、每一层之间的连接方式、运算方法；S3：通过将用户数据、资源数据进行训练，得到每一层之间的连接权值；S4：通过输入用户数据、资源数据，采用模型计算，得到用户对于资源的相似度量。本发明提供的采用深度特征匹配的推荐方法，通过多层神经网络结构进行特征学习，深度地挖掘了用户和资源的特征，通过深度学习能够精确确定某一用户对某一资源的偏好程度，并能大幅度提高推荐系统的个性化程度、资源推荐质量以及用户的满意度。

Description

一种采用深度特征匹配的推荐方法

技术领域

本发明涉及个性化推荐技术领域，尤其涉及一种采用深度特征匹配的推荐方法。

背景技术

随着互联网的逐渐普及和网络信息资源的日益丰富，人们逐渐从信息匮乏时代走进信息过载时代，信息量的不断增大使得无论是信息生产者还是信息消费者都遇到了很大的困难和挑战：从海量的信息里找到自己需求的信息已经变得越来越困难。与此同时，想让产品在众多信息中脱颖而出，得到消费者的关注也越来越困难。以前常用的方法是让用户自己输入关键词搜索，搜索引擎会根据用户所提交的关键词在数据库里遍历，以找到合适的信息进行推荐。这种方法的缺点是：需要用户明确自己的需求，而且需要用户主动检索。

为了高效率、快速、主动给用户提供推荐信息，从海量数据中挖掘到用户所需信息并向用户推荐，节省用户获取有用信息的时间，个性化推荐服务应运而生，个性化推荐服务首先会根据用户行为数据进行相应的用户行为偏好分析，常用的方法是通过用户行为分析建立一个用户偏好模型，将用户的行为转换为用户的偏好。目前对用户行为偏好建模多是在信息搜索引擎、网购平台等对用户信息搜索关键字、搜索信息，网购商品信息、网购评价信息等方面进行偏好分析。这种推荐方法只利用了较少的用户和资源信息，并没有深度挖掘用户和资源的潜在特征，所以推荐的个性化程度和质量非常有限。

在大体量多维度的用户数据和资源数据情况下，如何综合利用跨领域数据，进行深度挖掘并匹配用户及资源的特征，精确辨识某一用户对某一资源的感兴趣程度，提高推荐系统的个性化程度、资源推荐质量以及用户的满意度显得尤为重要。

发明内容

针对现有技术的缺点，本发明的目的是提供一种采用深度特征匹配的推荐方法，能够精确确定某一用户对某一资源的偏好程度，并能大幅度提高推荐系统的个性化程度、资源推荐质量以及用户的满意度。

为实现上述目的，本发明提供了一种采用深度特征匹配的推荐方法，包括如下步骤：

S1：通过用户数据、资源数据建立人工神经网络结构的模型，模型包括若干个层。

S2：定义模型的层数，每一层的神经元数目、每一层之间的连接方式、运算方法。

S3：通过将用户数据、资源数据进行训练，得到每一层之间的连接权值。

S4：通过输入用户数据、资源数据，采用模型计算，得到用户对于资源的相似度量。

与现有技术相比，本发明公开的推荐方法，通过建立人工神经网络结构的模型处理跨领域的用户数据、资源数据，通过该模型的多层神经网络结构进行特征学习，深度地挖掘了用户和资源的特征；并通过该模型进行训练，确定了每一层与上一层次神经元之间的连接权值，从而得到该推荐方法的匹配模型，通过深度学习使得通过该模型计算得到某一用户对于某一方面的资源的相似度量更加精确，提高了推荐系统的个性化程度、资源推荐质量以及用户的满意度。

根据本发明另一具体实施方式，在步骤S1中，进一步包括步骤S11：

将用户数据转换为n维的数值向量x₁、x₂…x_n，n≥1，将资源数据转换为m维的数值向量y₁、y₂…y_m，m≥1。

将数值向量x₁、x₂…x_n，y₁、y₂…y_m分别转换为二维矩阵形式的数值热度图，数值热度图为模型的输入。

根据本发明另一具体实施方式，在步骤S1中，运算方法包括加权运算、非线性运算。

根据本发明另一具体实施方式，用户数据包括用户的性别、年龄、行业、浏览记录和购买记录；资源数据包括资源的内容、主题、新颖度、好评度、访问量和购买量。

根据本发明另一具体实施方式，步骤S3包括如下步骤：

S31：对用户数据或资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间。

S32：采用有监督式的学习方法进行训练，通过相似度量的运算单元，确定顶层的用户特征空间和资源特征空间的重合度。

根据本发明另一具体实施方式，在步骤S31中，通过堆叠式的稀疏自编码器或受限玻尔兹曼机，对用户数据或资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间。

根据本发明另一具体实施方式，模型包括用户数据的网络结构、资源数据的网络结构，用户数据的网络结构、资源数据的网络结构均包括卷积层、池化层、全连接层，卷积层至少包括第一卷积层和第二卷积层，池化层至少包括第一池化层和第二池化层，全连接层至少包括第一全连接层、第二全连接层。

根据本发明另一具体实施方式，第一卷积层、第二卷积层的卷积核的数目为10-60个，第一卷积层、第二卷积层的卷积核的大小为1-10，第一卷积层、第二卷积层的卷积跨度为1-3单元。

根据本发明另一具体实施方式，第一池化层、第二池化层的核的大小为1-5，第一池化层、第二池化层的跨度为1-3单元。

根据本发明另一具体实施方式，第一全连接层、第二全连接层的神经元数目为50-100个。

本发明公开的采用深度特征匹配的推荐方法，通过建立人工神经网络结构的模型处理跨领域的用户数据、资源数据，通过该模型的多层神经网络结构进行特征学习，深度地挖掘了用户和资源的特征；并通过该模型进行训练，确定了每一层与上一层次神经元之间的连接权值，从而得到该推荐方法的匹配模型，使得通过该模型计算得到某一用户对于某一方面的资源的相似度量更加精确，提高了推荐系统的个性化程度、资源推荐质量以及用户的满意度。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

附图说明

图1是实施例1中推荐方法的流程图；

图2是实施例1中人工神经网络结构的模型的示意图；

图3是实施例2中人工神经网络结构的模型的结构框图。

具体实施方式

实施例1

参见图1，是本实施例提供的采用深度特征匹配的推荐方法的流程图。该推荐方法包括步骤S1-S4：

S1：通过用户数据、资源数据建立人工神经网络结构的模型，模型包括若干个层。

该步骤用于初步建立人工神经网络结构的模型。参见图2，为本实施例中人工神经网络结构的模型的示意图。用户数据包括但不限于用户的性别、年龄、行业、浏览记录和购买记录；资源数据包括资源的内容、主题、新颖度、好评度、访问量和购买量。具体的，在该步骤中，通过步骤S11得到该模型的输入。

S11：将用户数据转换为n维的数值向量x₁、x₂…x_n，n≥1，将资源数据转换为m维的数值向量y₁、y₂…y_m，m≥1；

将数值向量x₁、x₂…x_n，y₁、y₂…y_m分别转换为二维矩阵形式的数值热度图，数值热度图为模型的输入。

S2：定义模型的层数，每一层的神经元数目、每一层之间的连接方式、运算方法。

该步骤用于确定该模型的具体层数，以及每一层的神经元个数，及每一层的每一神经元与上一层神经元之间的连接方法及运算方法。

转换的数值向量x₁、x₂…x_n，n≥1；y₁、y₂…y_m，m≥1；分别转换为二维矩阵形式的数值热度图，并将数值热度图作为用户数据、资源数据的人工神经网络结构的模型的输入，神经网络每一层的加权运算和非线性运算将把用冗长数值所描述的用户特征空间或资源特征空间映射到另一个更为紧凑和抽象的特征空间。

S3：通过将用户数据、资源数据进行训练，得到每一层之间的连接权值。

该步骤用于确定该模型的每一层的每一神经元与上一层各神经元之间的连接权值。具体的，该步骤包括步骤S31-S32:

S31：对用户数据或资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间。

具体的，在该步骤中，通过堆叠式的稀疏自编码器或受限玻尔兹曼机，对用户数据或资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间。

S32：采用有监督式的学习方法进行训练，通过相似度量的运算单元，确定顶层的用户特征空间和资源特征空间的重合度。

S4：通过输入用户数据、资源数据，采用模型计算，得到用户对于资源的相似度量。

本实施例公开的推荐方法，通过建立人工神经网络结构的模型处理跨领域的用户数据、资源数据，通过该模型的多层神经网络结构进行特征学习，深度地挖掘了用户和资源的特征；并通过该模型进行训练，确定了每一层与上一层次神经元之间的连接权值，从而得到该推荐方法的匹配模型，使得通过该模型计算得到某一用户对于某一方面的资源的相似度量更加精确，提高了推荐系统的个性化程度、资源推荐质量以及用户的满意度。

实施例2

参见图3，是本实施例的推荐方法中建立的模型的结构框图，该模型包括卷积层、池化层、全连接层、精确度计算单元、损失值计算单元，具体的，用户数据的人工神经网络包括第一卷积层、第二卷积层，第一池化层、第二池化层，第一全连接层、第三全连接层；资源数据的人工神经网络包括第三卷积层、第四卷积层，第一池化层、第二池化层，第二全连接层、第三全连接层；其中，第三连接层为用户数据、资源数据的人工神经网络共有的。

本实施例中，第一卷积层的规模为20个不同的卷积核，每个卷积核的大小为5，卷积跨度为1个单元；第一池化层为最大值池化方式，核大小为2，跨度为2个单元；第二卷积层的规模为50个不同的卷积核，每个卷积核的大小为5，卷积跨度为1个单元；第二池化层为最大值池化方式，核大小为2，跨度为2个单元。

本实施例中，第三卷积层的规模为20个不同的卷积核，每个卷积核的大小为5，卷积跨度为1个单元；第三池化层为最大值池化方式，核大小为2，跨度为2个单元；第四卷积层规模为50个不同的卷积核，每个卷积核的大小为5，卷积跨度为1个单元；第四池化层为最大值池化方式，核大小为2，跨度为2个单元。

本实施例中，用户数据和资源数据分别经过卷积层和池化层的数据降维后，接着再分别通过第一全连接层和第二全连接层做进一步的数据降维和特征空间映射，维度皆为60维，即全连接层和的输出神经元数都是60个。用户数据和资源数据分别通过各自网络获得的特征数值再作为第三全连接层的输入，维度为9维。而网络的参数将通过有标签的训练数据集来训练网络所获得，标签为用户与资源各方面匹配度标签。本实施例中，损失值计算单元使用“Soft max With Loss”计算损失值，反向传播(BP)的优化算法将以迭代的方式调节网络参数以降低损失函数的值，从而使得第三全连接层的输出拟合匹配度的标签，以达到将用户数据和资源数据映射到一个共同特征空间的目的。

应该理解，此处的配置和方法在本质上是示例性的，并且这些具体实施例或示例不应被认为是局限性的，因为多个变体是可能的。此处的具体例程或方法可表示任何数量的处理策略中的一个或多个。例如，提取用户数据特征的网络和提取资源特征的网络都可以有不同的层级数和不同的层类型组合。输入单元的个数，各隐藏层单元的个数与连接方式，以及输出单元的个数也可以根据不同的应用场景调整变化。

虽然本发明以较佳实施例揭露如上，但并非用以限定本发明实施的范围。任何本领域的普通技术人员，在不脱离本发明的发明范围内，当可作些许的改进，即凡是依照本发明所做的同等改进，应为本发明的范围所涵盖。

Claims (10)

1.一种采用深度特征匹配的推荐方法，其特征在于，包括如下步骤：

S1：通过用户数据、资源数据建立人工神经网络结构的模型，所述模型包括若干个层；

S2：定义所述模型的层数，每一层的神经元数目、每一所述层之间的连接方式、运算方法；

S3：通过将用户数据、资源数据进行训练，得到每一所述层之间的连接权值；

S4：通过输入用户数据、资源数据，采用所述模型计算，得到所述用户对于所述资源的相似度量。

2.如权利要求1所述的推荐方法，其特征在于，在步骤S1中，进一步包括步骤S11：

将用户数据转换为n维的数值向量x₁、x₂…x_n，n≥1，将资源数据转换为m维的数值向量y₁、y₂…y_m，m≥1；

将所述数值向量x₁、x₂…x_n，y₁、y₂…y_m分别转换为二维矩阵形式的数值热度图，所述数值热度图为所述模型的输入。

3.如权利要求2所述的推荐方法，其特征在于，在步骤S1中，所述运算方法包括加权运算、非线性运算。

4.如权利要求1所述的推荐方法，其特征在于，所述用户数据包括用户的性别、年龄、行业、浏览记录和购买记录；所述资源数据包括资源的内容、主题、新颖度、好评度、访问量和购买量。

5.如权利要求1所述的推荐方法，其特征在于，所述步骤S3包括如下步骤：

S31：对所述用户数据或所述资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间；

S32：采用有监督式的学习方法进行训练，通过相似度量的运算单元，确定顶层的用户特征空间和资源特征空间的重合度。

6.如权利要求5所述的推荐方法，其特征在于，在步骤S31中，通过堆叠式的稀疏自编码器或受限玻尔兹曼机，对所述用户数据或所述资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间。

7.如权利要求1所述的推荐方法，其特征在于，所述模型包括用户数据的网络结构、资源数据的网络结构，所述用户数据的网络结构、所述资源数据的网络结构均包括卷积层、池化层、全连接层，所述卷积层至少包括第一卷积层和第二卷积层，所述池化层至少包括第一池化层和第二池化层，所述全连接层至少包括第一全连接层、第二全连接层。

8.如权利要求7所述的推荐方法，其特征在于，所述第一卷积层、所述第二卷积层的卷积核的数目为10-60个，所述第一卷积层、所述第二卷积层的卷积核的大小为1-10，所述第一卷积层、所述第二卷积层的卷积跨度为1-3单元。

9.如权利要求7所述的推荐方法，其特征在于，所述第一池化层、所述第二池化层的核的大小为1-5，所述第一池化层、所述第二池化层的跨度为1-3单元。

10.如权利要求7所述的推荐方法，其特征在于，所述第一全连接层、所述第二全连接层的神经元数目为50-100个。