CN107507054A - 一种基于循环神经网络的推荐算法 - Google Patents
一种基于循环神经网络的推荐算法 Download PDFInfo
- Publication number
- CN107507054A CN107507054A CN201710606791.6A CN201710606791A CN107507054A CN 107507054 A CN107507054 A CN 107507054A CN 201710606791 A CN201710606791 A CN 201710606791A CN 107507054 A CN107507054 A CN 107507054A
- Authority
- CN
- China
- Prior art keywords
- rnn
- user
- commodity
- neural network
- recurrent neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明为一种基于循环神经网络的推荐算法,涉及推荐算法领域;该算法首先提出一个引入商品评分信息的基于循环神经网络(Recurrent Neural Network,RNN)推荐算法的模型框架Rating‑RNN,对用户将要消费哪一个商品作出准确的预测。然后提出一个基于循环神经网络推荐算法的模型框架Category‑RNN,对用户将要消费哪一类别的商品作出预测。最后,将Rating‑RNN与Category‑RNN输出层合并,形成能够并行训练的Mixing‑RNN。对用户的消费历史进行建模,利用用户的评分信息以及商品类别信息等多种特征,能够捕获用户兴趣的演变,可以有效的提高推荐算法的评估指标。
Description
技术领域
本发明涉及推荐算法领域,具体涉及一种基于循环神经网络的推荐算法。
背景技术
互联网的出现和普及给用户带来了大量的信息,满足了用户在信息时代对信息的需求,使得人们的生活越来越离不开网络,越来越多的人选择在网络上进行娱乐或购物。但随着网络的迅速发展而带来的网上信息量的大幅增长,使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息,对信息的使用效率反而降低了。面对日益扩大的用户需求,以及越来越丰富的资源,如何能够充分理解用户的需求,快捷地为用户找到自己需要的资源,成为吸引用户的一个有力手段。基于此需求,个性化推荐技术渐渐受到重视,如今已经进入一个成熟发展的阶段。
个性化推荐技术,是用户行为分析技术的一个重要方面,简单的说,它是根据用户的信息需求、兴趣等,将用户感兴趣的信息、产品等推荐给用户,为用户找到他可能感兴趣的资源的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好,进行个性化计算,由系统发现用户的兴趣点,从而引导用户发现自己的信息需求。为了实现个性化的资源推荐,必须“懂”用户、“懂”资源。通过对用户资料及大量历史行为的分析,从中得出用户的兴趣知识,然后以一种合理的方式来表示用户兴趣。同时对资源进行组织,选取合理表达方式来表达资源特征。然后采用恰当的推荐算法,匹配用户兴趣与资源特征,完成推荐。推荐系统现已广泛应用于很多领域,其中最典型并具有良好的发展和应用前景的领域就是电子商务领域。同时学术界对推荐系统的研究热度一直很高,逐步形成了一门独立的学科
目前,流行的推荐算法如协同过滤,通常基于用户的评分或行为进行用户评分预测或商品推荐。但是当预测用户将要消费一个具体的商品时,传统的协同过滤算法无法捕获用户兴趣的演变或上下文相关的兴趣。一种基于循环神经网络的推荐算法可以通过对用户的消费历史进行建模,可以提供更加准确的推荐。
发明内容
为了克服常用的流行的推荐算法无法捕获用户兴趣随时间的演变或者是用户上下文相关的兴趣,本发明提供一种新的算法框架。
本发明的目的是这样实现的:
所述的一种基于循环神经网络的推荐算法,其特征在于,包含以下步骤:
步骤一收集用户用户的商品评评分或行为作为元数据(Raw Data)模块;
步骤二利用商品评分信息的基于循环神经网络(Recurrent Neural Network,RNN)推荐算法的模型框架Rating-RNN,对用户将要消费哪一个商品作出更准确的预测;
步骤三利用局部敏感哈希对数据进行处理,并针对电影推荐的问题对经典的循环神经网络进行修改;
步骤四增加输入门(Input Gate)以引入用户评分信息;通过增加遗忘门(ForgetGate) 以根据当前商品评分高低来决定从当前网络记忆中丢弃信息的量;针对用户数据的序列长度不等问题进行时序规整;
步骤五通过对输出层进行层次化设计以提高输出层计算效率;
步骤六提出一个引入商品类别信息的基于循环神经网络推荐算法的模型框架Category-RNN,独热编码层,用于将商品进行数字编码;
步骤七通过输入层,将商品所述的类别信息输入到神经网络之中;
步骤八通过输出层,计算神经网络误差。实现对用户将要消费哪一类别的商品作出预测;
步骤九Rating-RNN、Category-RNN以及将其输出层合并后的输出层,形成能够并行训练的Mixing-RNN。
该算法框架对用户的消费历史进行建模,利用用户的评分信息以及商品类别信息等多种特征,能够捕获用户兴趣的演变,可以有效的提高推荐算法的评估指标。
附图说明
图1为本发明的Rating-RNN模型框架图;
图2为本发明的Category-RNN模型框架图;
图3为本发明的Mixing-RNN模型框架图。
具体实施方式
下面结合附图对本发明做进一步描述。
图1为引入了用户评分信息的RNN模型框架Rating-RNN,包括元数据(Raw Data)模块、预处理(Preprocessing)模块、数据输入层(Input Layer)、局部敏感哈希(LocalSensitive Hashing,LSH)模块、RNN层、用于防止过拟合的Dropout层(可选择),最后是Softmax 输出层(或层次Softmax层,即Hierarchical Softmax Layer)。
图2为用于类别预测的Category-RNN框架,在Rating-RNN中,输入层与输出层为电影的ID,因此输入层和输出层向量中都是只有一个元素的值为1,其余都为0。
图3通过将引入评分信息的Rating-RNN框架与用于类别特征预测的Category-RNN框架连接起来,最终形成一个混合的RNN框架,即Mixing-RNN。
如图1,首先提出一个引入商品评分信息的基于循环神经网络(Recurrent NeuralNetwork, RNN)推荐算法的模型框架Rating-RNN,对用户将要消费哪一个商品作出更准确的预测。利用局部敏感哈希对数据进行处理,并针对电影推荐的问题对经典的循环神经网络进行修改,增加输入门(Input Gate)以引入用户评分信息;通过增加遗忘门(ForgetGate)以根据当前商品评分高低来决定从当前网络记忆中丢弃信息的量;针对用户数据的序列长度不等问题进行时序规整;通过对输出层进行层次化设计以提高输出层计算效率。同时如图2,提出一个引入商品类别信息的基于循环神经网络推荐算法的模型框架Category-RNN,对用户将要消费哪一类别的商品作出预测。最后如图3,将Rating-RNN与Category-RNN输出层合并,形成能够并行训练的Mixing-RNN。
Claims (1)
1.一种基于循环神经网络的推荐算法,其特征在于,包含以下步骤:
步骤一 收集用户用户的商品评评分或行为作为元数据(Raw Data);
步骤二 利用商品评分信息的基于循环神经网络(Recurrent Neural Network,RNN)推荐算法的模型框架Rating-RNN,对用户将要消费哪一个商品作出更准确的预测;
步骤三 利用局部敏感哈希对数据进行处理,并针对电影推荐的问题对经典的循环神经网络进行修改;
步骤四 增加输入门(Input Gate)以引入用户评分信息;通过增加遗忘门(ForgetGate)以根据当前商品评分高低来决定从当前网络记忆中丢弃信息的量;针对用户数据的序列长度不等问题进行时序规整;
步骤五 通过对输出层进行层次化设计以提高输出层计算效率;
步骤六 提出一个引入商品类别信息的基于循环神经网络推荐算法的模型框架Category-RNN,独热编码层,用于将商品进行数字编码;
步骤七 通过输入层,将商品所述的类别信息输入到神经网络之中;
步骤八 通过输出层,计算神经网络误差;实现对用户将要消费哪一类别的商品作出预测;
步骤九 Rating-RNN、Category-RNN以及将其输出层合并后的输出层,形成能够并行训练的Mixing-RNN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606791.6A CN107507054A (zh) | 2017-07-24 | 2017-07-24 | 一种基于循环神经网络的推荐算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710606791.6A CN107507054A (zh) | 2017-07-24 | 2017-07-24 | 一种基于循环神经网络的推荐算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107507054A true CN107507054A (zh) | 2017-12-22 |
Family
ID=60689276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710606791.6A Pending CN107507054A (zh) | 2017-07-24 | 2017-07-24 | 一种基于循环神经网络的推荐算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107507054A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
CN109815309A (zh) * | 2018-12-21 | 2019-05-28 | 航天信息股份有限公司 | 一种基于个性化的用户信息推荐方法及系统 |
CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
CN110245260A (zh) * | 2018-03-26 | 2019-09-17 | 中山大学 | 基于循环神经网络的主播推荐方法 |
CN111221952A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术(北京)有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
CN113781139A (zh) * | 2020-10-19 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、物品推荐装置、设备和介质 |
CN116501972A (zh) * | 2023-05-06 | 2023-07-28 | 兰州柒禾网络科技有限公司 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787100A (zh) * | 2016-03-18 | 2016-07-20 | 浙江大学 | 一种基于深度神经网络的用户会话推荐方法 |
CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
CN105975641A (zh) * | 2016-07-15 | 2016-09-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN106779921A (zh) * | 2016-11-30 | 2017-05-31 | 广州市万表科技股份有限公司 | 推荐方法及装置 |
-
2017
- 2017-07-24 CN CN201710606791.6A patent/CN107507054A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787100A (zh) * | 2016-03-18 | 2016-07-20 | 浙江大学 | 一种基于深度神经网络的用户会话推荐方法 |
CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
CN105975641A (zh) * | 2016-07-15 | 2016-09-28 | 合网络技术(北京)有限公司 | 视频推荐方法及装置 |
CN106779921A (zh) * | 2016-11-30 | 2017-05-31 | 广州市万表科技股份有限公司 | 推荐方法及装置 |
Non-Patent Citations (4)
Title |
---|
COVINGTON P 等: "Deep Neural Networks for YouTube Recommendations", 《ACM CONFERENCE ON RECOMMENDER SYSTEMS》 * |
LINDEN G 等: "Amazon.com Recommendations: Item-to-Item Collaborative Filtering", 《IEEE INTERNET COMPUTING》 * |
RYAN G. HEFRON等: "Deep long short-term memory structures model temporal dependencies improving cognitive workload estimation", 《PATTERN RECOGNITION LETTERS》 * |
高毫林 等: "近似最近邻搜索算法——位置敏感哈希", 《信息工程大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
CN110245260A (zh) * | 2018-03-26 | 2019-09-17 | 中山大学 | 基于循环神经网络的主播推荐方法 |
CN110162690A (zh) * | 2018-10-23 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 确定用户对物品的兴趣度的方法与装置、设备和存储介质 |
CN109815309A (zh) * | 2018-12-21 | 2019-05-28 | 航天信息股份有限公司 | 一种基于个性化的用户信息推荐方法及系统 |
CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
CN111221952A (zh) * | 2020-01-06 | 2020-06-02 | 百度在线网络技术(北京)有限公司 | 建立排序模型的方法、查询自动补全的方法及对应装置 |
US11847147B2 (en) | 2020-01-06 | 2023-12-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for building ranking model, query auto-completion method and corresponding apparatuses |
CN113781139A (zh) * | 2020-10-19 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 物品推荐方法、物品推荐装置、设备和介质 |
CN116501972A (zh) * | 2023-05-06 | 2023-07-28 | 兰州柒禾网络科技有限公司 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
CN116501972B (zh) * | 2023-05-06 | 2024-01-05 | 广州市巨应信息科技有限公司 | 基于大数据在线服务的内容推送方法及ai智能推送系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507054A (zh) | 一种基于循环神经网络的推荐算法 | |
Zhu et al. | Personalized image aesthetics assessment via meta-learning with bilevel gradient optimization | |
CN110532471A (zh) | 基于门控循环单元神经网络的主动学习协同过滤方法 | |
CN103353872B (zh) | 一种基于神经网络的教学资源个性化推荐方法 | |
CN111915395A (zh) | 一种基于多视图注意力机制的旅游包推荐方法 | |
CN107016122B (zh) | 基于时间迁移的知识推荐方法 | |
Zhu et al. | Neural attentive travel package recommendation via exploiting long-term and short-term behaviors | |
CN109711907B (zh) | 一种基于顶端排序的在线广告排序方法 | |
CN112288554B (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
Jin et al. | RACRec: Review aware cross-domain recommendation for fully-cold-start user | |
CN113806630A (zh) | 基于注意力的多视角特征融合跨域推荐方法及装置 | |
CN110334278A (zh) | 一种基于改进深度学习的web服务推荐方法 | |
CN107545075B (zh) | 一种基于在线评论和情境感知的餐馆推荐方法 | |
CN106202515A (zh) | 一种基于排序学习的移动应用推荐方法及其推荐系统 | |
CN115329215A (zh) | 异构网络中基于自适应动态知识图谱的推荐方法及系统 | |
CN104866490B (zh) | 一种视频智能推荐方法及其系统 | |
Yang | Clothing design style recommendation using decision tree algorithm combined with deep learning | |
CN109800424B (zh) | 一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法 | |
CN112270570B (zh) | 一种基于特征组合与表示学习的点击转化率预测方法 | |
CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
Noorian | A BERT-based sequential POI recommender system in social media | |
Xiao et al. | Research and implementation of hybrid recommendation algorithm based on collaborative filtering and word2vec | |
CN112085540A (zh) | 基于人工智能技术的广告智能推送系统及方法 | |
Chen et al. | Exploiting aesthetic features in visual contents for movie recommendation | |
CN115048530A (zh) | 融合邻居重要度和特征学习的图卷积推荐系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |