CN112765474A - 一种基于深度协同过滤的推荐方法及系统 - Google Patents

一种基于深度协同过滤的推荐方法及系统 Download PDF

Info

Publication number
CN112765474A
CN112765474A CN202110118394.0A CN202110118394A CN112765474A CN 112765474 A CN112765474 A CN 112765474A CN 202110118394 A CN202110118394 A CN 202110118394A CN 112765474 A CN112765474 A CN 112765474A
Authority
CN
China
Prior art keywords
collaborative filtering
user
deep
data
project
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.)
Granted
Application number
CN202110118394.0A
Other languages
English (en)
Other versions
CN112765474B (zh
Inventor
赵东星
丁立新
贺巩山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110118394.0A priority Critical patent/CN112765474B/zh
Publication of CN112765474A publication Critical patent/CN112765474A/zh
Application granted granted Critical
Publication of CN112765474B publication Critical patent/CN112765474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于深度协同过滤的推荐方法及系统，包括从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；预测评分，产生推荐列表。提升了推荐列表的准确性，同一过程中，用户和项目隐式向量进行哈达玛积和线性特征提取过程，在结合两者线性表示基础上加入隐藏层可以一定程度上学习到更加复杂的交互函数，进而提高模型的性能，提升用户的体验。

Description

一种基于深度协同过滤的推荐方法及系统
技术领域
本发明涉及计算机技术协同过滤推荐技术领域，尤其涉及一种基于深度协同过滤的推荐方法及系统。
背景技术
在信息爆炸时代，信息过载问题已经成为人人面临的困境之一。推荐系统作为一种核心的信息推送手段，能够及时高效的提供给线上用户感兴趣的信息，节约用户时间成本和系统资源，产生重大的市场价值。
传统的推荐系统从大量的商品中筛选出部分热门商品推荐给用户，但不是每个用户都喜欢大众化的商品，随着时代的发展，用户的个性化特征越来越明显，关注用户偏好和兴趣特征的个性化推荐系统开始出现。
现有技术中有一种基于协同过滤的个性化推荐方法。这一方法先将用户行为中的记录转化为隐式反馈的形式，并且只保留每个用户最近的N个行为，之后通过矩阵分解，并进一步考虑项目外观特征及用户偏好和项目类型对评分造成的偏差，得到预测评分。本质上仍然是考虑附加信息的矩阵分解方法，某种程度上能够克服稀疏性问题，同时考虑项目外观特征及用户偏好和项目类型对评分造成的偏差，可以更准确的实现为用户自动推荐商品。
但是，传统的矩阵分解算法将学习到的用户隐向量和项目隐向量映射到同一空间中，进而线性点积运算束缚了交互函数的表示能力，即很难学习到用户、项目之间复杂非线性的关系，这极大的限制最终生成的推荐列表准确性。
发明内容
本发明为一种基于深度协同过滤的推荐方法，提升了推荐列表的准确性，节约用户时间成本和系统资源，提升用户的体验。
为了解决上述问题，本发明提出了一种基于深度协同过滤的推荐方法，包括如下步骤：
步骤一，从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；
步骤二，对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；
步骤三，将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；
步骤四，预测评分，产生推荐列表。
而且，所述步骤一中，预处理实现方式如下，
将用户、项目显式评分数据转换成隐式数据；
对隐式数据按照训练和测试的需要进行按比例的分配。
而且，所述步骤二实现方式如下，
对预处理过的用户、项目数据分别进行embedding，得到用户和项目不同线性过程的隐式向量；
用户隐式向量和项目隐式向量之间进行哈达玛积和线性特征提取，得到交互函数的不同线性表示。
而且，线性特征提取过程采用多层感知机实现。
而且，所述步骤三中，深度神经网络采用单塔层的非线性深度神经网络结构实现。
而且，所述步骤三中，单塔层的非线性深度神经网络结构采用多层感知机实现。
另一方面，本发明还提供一种基于深度协同过滤的推荐系统，用于实现如上所述的一种基于深度协同过滤的推荐方法。
而且，包括以下模块，
第一模块，用于从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；
第二模块，用于对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；
第三模块，用于将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；
第四模块，用于预测评分，产生推荐列表。
或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度协同过滤的推荐方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度协同过滤的推荐方法。
通过实施本发明技术方案，从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；embedding预处理之后的数据，完成交互函数线性表示过程；将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；预测评分，产生推荐列表。本发明实施例提升了推荐列表的准确性，同一过程中，用户和项目隐式向量进行1)哈达玛积和2)线性特征提取过程，在结合两者线性表示基础上加入隐藏层可以一定程度上学习到更加复杂的交互函数，进而提高模型的性能，提升用户的体验。
附图说明
图1是本发明实施例中的基于深度协同过滤的推荐方法流程图；
图2是本发明实施例中的推荐方法结构图；
图3是本发明实施例中的推荐列表截断图。
具体实施方式
下面将结合附图和实施例对本发明技术方案进行清楚、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。
本发明注意到，深度神经网络在某种程度上可以拟合任意非线性函数，因此提出一种基于深度协同过滤的推荐方法，提升了推荐列表的准确性，同一过程中，用户和项目隐式向量进行1)哈达玛积和2)线性特征提取过程，在结合两者线性表示基础上加入隐藏层可以一定程度上学习到更加复杂的交互函数，进而提高模型的性能，提升用户的体验。
本发明实施例中的基于深度协同过滤的推荐方法包括：从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；embedding预处理之后的数据，完成交互函数线性表示过程；将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；预测评分，产生推荐列表。
相应的，图1示出了本发明实施例中的基于深度协同过滤的推荐方法流程图，其具体实施过程如下：
S101、从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；
实际实施中，将用户、项目显式评分数据转换成隐式数据的过程包括：用M和N分别表示从互联网中获取到的用户和项目的数量，根据用户的实际评分，可以构建用户-项目评分矩阵，
Figure BDA0002921565680000041
Figure BDA0002921565680000042
其中，
Figure BDA0002921565680000043
表示大小为M×N的实数矩阵，yui代表
Figure BDA0002921565680000044
中用户u对物品i的表示值，rui表示用户u对物品i的实际评分。进一步，如果用户u和项目i之间有交互行为，令yui＝1，否则yui＝0，得到用户-项目交互矩阵
Figure BDA0002921565680000045
Figure BDA0002921565680000046
其中，u、i分别表示用户u和项目i。这样在隐式数据下的推荐问题表示为估算在矩阵Y中未被观测的数据，求解模型为；
Figure BDA0002921565680000047
其中，f()、Θ分别表示将模型参数映射到预测分数的交互函数、模型的全部参数，
Figure BDA0002921565680000048
表示在该模型下用户u对物品i的预测值。
对隐式数据按照训练和测试的需要进行一定比例的分配包括：交互矩阵中用户与项目有交互过的数据组成训练集的正样本，用户没有交互过的项目评分数据都认为是负向数据，采取从所有负向数据中部分采样的原则，即按照和正样本数量成一定比例的方法从全部负样本中选取部分数据组成训练集的负样本。本方法中的训练负采样率(即训练过程中每采样一个正样本，同时配合采样4个或者5个负样本)优选取4或者5。选取每个用户最近交互的项目交互数据组成测试集。
S102、embedding预处理之后的数据，完成交互函数线性表示过程；
a1.实际实施中，对预处理过的用户、项目数据分别进行嵌入处理embedding，即一般形式的矩阵乘法操作(例如，使用
Figure BDA0002921565680000051
表示用户one-hot编码之后的向量，PT表示embedding中学习到的权重矩阵，embedding过程可以表示为
Figure BDA0002921565680000052
可以通过keras的embedding层来实现)，得到用户和项目不同线性过程的隐式向量包括：对转化后的隐式数据，包括用户、项目IDs进行one-hot编码(用户和项目的最大IDs为各自类别种类，进一步表示成只有一位为1，其余都为0且长度比各自类别种类大一的二进制向量，例如：如果用户的ID表示为6，最大IDs为10，其one-hot编码则表示为长度为11的二进制向量[0,0,0,0,0,0,1,0,0,0,0])，以对其进行embedding操作，embedding的维度可以是[4，8，16，32，64，128...]中的任意一个，即隐式向量的维度。值得注意的是，由于对用户和项目输入特征泛化的表示，该方法很容易调整输入，例如用兴趣爱好等内容特征表示用户和项目，从而解决冷启动问题。
a2.用户隐式向量和项目隐式向量之间进行1)哈达玛积和2)线性特征提取，得到交互函数的不同线性表示，包括：
1)用
Figure BDA0002921565680000053
表示图2交互函数线性表示阶段哈达玛积过程(element-wiseproduct)中用户的隐式向量，
Figure BDA0002921565680000054
表示项目的隐式向量，需要特别说明的是，
Figure BDA0002921565680000055
和
Figure BDA0002921565680000056
符号中的l示意图2交互函数线性表示阶段中左半部分线性表示层-L输入的隐式向量(l，L代表left的缩写)，那么
Figure BDA0002921565680000057
其中，
Figure BDA0002921565680000058
表示经过线性表示层-L学习得到的交互函数线性表示向量，
Figure BDA0002921565680000059
表示交互函数哈达玛积过程的映射函数，⊙表示向量之间逐元素相乘。
2)用
Figure BDA00029215656800000510
表示线性特征提取过程中用户的隐式向量，
Figure BDA00029215656800000511
表示项目的隐式向量，与上述描述类似，
Figure BDA00029215656800000512
和
Figure BDA00029215656800000513
符号中的r示意图2交互函数线性表示阶段中右半部分线性表示层-R-1输入的隐式向量(r，R代表right的缩写)，具体的实现形式采取多层感知机(MultilayerPerceptron，MLP)的结构，那么
Figure BDA0002921565680000061
Figure BDA0002921565680000062
……
Figure BDA0002921565680000063
其中，c0和cX分别表示
Figure BDA0002921565680000064
和
Figure BDA0002921565680000065
直接连接操作(concatenation)之后的隐式表示向量以及第X线性隐藏层学习到的交互函数表示向量，
Figure BDA0002921565680000066
和
Figure BDA0002921565680000067
分别表示该过程中第X层的映射函数以及经过线性表示层-R-(1～X)学习得到的交互函数线性表示向量，
Figure BDA0002921565680000068
bX和aX分别表示交互函数线性特征提取过程隐藏层第X层的权重矩阵，偏置向量和激活函数，X的取值范围为[1，2]，激活函数选择线性激活函数(LinearFunction)，特别的当X＝1时，单层线性表示层的映射维度可以采取两种方式，减半或者减少4倍，例如从64→16。
S103、将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；
实施例中，采取图2中交互函数非线性学习阶段的结构，设计单塔层的非线性深度神经网络，输入S102阶段得到的交互函数线性表示向量到MLP层-1，经学习后得到完整的用户-项目交互函数，中间包括若干隐藏层，设分别记为MLP层-1、MLP层-2…MLP层-X。同样采用和S101阶段交互函数线性提取部分采取的多层感知机(MLP)来实现，隐藏层的设计模式遵循维度逐级减半的原则，对于单层MLP，适用线性特征提取过程中提供的两种层次结构维度策略。
隐藏层中最后一层的大小决定了模型的能力，实施例称之为预测因子K，根据不同维度大小的预测因子，可以设置不同结构的MLP，一般可以选取0～3层的MLP，例如K＝8时，3层MLP层次维度的结构为32→16→8。
非线性学习过程可以表示为：
Figure BDA0002921565680000069
Figure BDA00029215656800000610
……
Figure BDA0002921565680000071
其中，z0、z1…和zY分别表示交互函数非线性学习阶段输入到MLP层-1的输入向量以及第1、…Y层隐藏层学习到的非线性交互函数表示向量，φ1()…φY()表示该过程中的映射函数，W1…WY，b1…bY和a1…aY分别表示隐藏层第1层…第Y层的权重矩阵、偏置向量和激活函数。激活函数选择线性整流函数(Rectified Linear Unit,ReLU)，其公式表示为：f(x)＝max(0,x)。因为ReLU非饱和，具有更好的生物适应性，此外它还能促进稀疏激活，非常适合于稀疏数据，能够降低模型过度拟合发生的可能性。
S104、预测评分，产生推荐列表；
实际实施中，通过目标函数优化模型，利用学习到的交互函数生成预测评分的过程包括：求解优化模型目标函数，由于隐式数据的天然二进制属性，可以把yui的值看成标签—1代表物品u与用户i相关，0则不相关，而
Figure BDA0002921565680000072
的值就表示物品u与用户i相关的可能性，进一步可以将基于隐式反馈的Top-N推荐问题看作是一个二分类问题。创新点在于区别于传统的平方损失目标函数，模型可以采用如下的类似于Log loss的损失函数L，并采取自适应学习算法Adam优化，模型的所有参数在此过程中学习得到，训练过程中负采样率取4。
Figure BDA0002921565680000073
之后生成预测评分：
Figure BDA0002921565680000074
其中，Y+，
Figure BDA0002921565680000075
分别表示训练的正样本集以及从整体负样本中部分采样后的负样本集，L表示模型训练过程中优化的损失函数，σ和hT分别表示模型输出层的权重矩阵和概率函数，本方法中σ采取sigmoid函数，其公式表示为：
Figure BDA0002921565680000076
具体的，使用上述损失函数优化模型参数的具体步骤描述如下：
步骤一：输入迭代次数Epochs，预处理评分矩阵R以及负采样率Num_neg；
步骤二：初始化隐藏层的权重矩阵Wx，Wy以及偏置向量bx，by(x＝1,...,X，y＝1,...,Y)，输出层的权重矩阵h；令Y+表示Y中所有的非0交互，Y-表示Y中所有值为0的交互，
Figure BDA0002921565680000081
表示从Y-中采样Num_neg×||Y+||个交互组成训练集的负样本；令V为
Figure BDA0002921565680000082
组成模型的训练集；
步骤三：开始模型训练，在每一次迭代中，对于V中每一个用户和物品的交互，embedding用户和物品ID之后得到隐式表示向量
Figure BDA0002921565680000083
步骤四：使用公式(4)处理
Figure BDA0002921565680000084
得到
Figure BDA0002921565680000085
公式(5)处理
Figure BDA0002921565680000086
得到
Figure BDA0002921565680000087
步骤五：使用公式(6)处理
Figure BDA0002921565680000088
得到zY；
步骤六：使用公式(8)处理zY得到
Figure BDA0002921565680000089
进一步使用公式(7)处理yui，
Figure BDA00029215656800000810
得到损失函数L，采取adam算法来优化损失函数L学习模型的参数；
步骤七：输出Wx，Wy，bx，by，h。
之后，基于预测的未交互项目评分进行排序，产生Top-N推荐列表的过程包括：采用留一法来评估模型。即选择用户最近的交互项作为测试集，其余的数据用作训练集。遵循常规策略，随机选取100个没有与用户交互过的项目，连同测试项目一起排序，截断前10的列表来评估模型的表现，此时N＝10，图3示出了截断操作后的推荐列表，其中截断得到排名前10的项目标记为项目1、项目2…项目10。
总结来看，本文的方法取代传统矩阵分解方法用内积建模用户-项目之间的交互来解决Top-N推荐问题，区别于目前采用双路径学习的融合结构，聚焦单一模型，同一过程中，在双路径用户-项目不同线性交互函数结合的基础之上，进一步采用隐藏层的结构，赋予线性匹配函数更多的非线性能力，学习到更加适配的匹配函数，另外，分层的塔式结构也使得高层集成了更丰富的信息，多层的线性和非线性神经网络结构也赋予模型高水平的灵活性。
综上，本发明通过从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；embedding预处理之后的数据，完成交互函数线性表示过程；将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；预测评分，产生推荐列表。本发明实施例提升了推荐列表的准确性，同一过程中，用户和项目隐式向量进行1)哈达玛积和2)线性特征提取过程，在结合两者线性表示基础上加入隐藏层可以一定程度上学习到更加复杂的交互函数，进而提高模型的性能，提升用户的体验。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于深度协同过滤的推荐系统，包括以下模块，
第一模块，用于从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；
第二模块，用于对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；
第三模块，用于将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；
第四模块，用于预测评分，产生推荐列表。
在一些可能的实施例中，提供一种基于深度协同过滤的推荐系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度协同过滤的推荐方法。
在一些可能的实施例中，提供一种基于深度协同过滤的推荐系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度协同过滤的推荐方法。
另外，以上对本发明实施例所提供的基于深度协同过滤的推荐方法进行了详细介绍，本文中通过具体某应用个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于深度协同过滤的推荐方法，其特征在于，包括如下步骤：
步骤一，从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；
步骤二，对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；
步骤三，将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；
步骤四，预测评分，产生推荐列表。
2.如权利要求1所述的基于深度协同过滤的推荐方法，其特征在于：所述步骤一中，预处理实现方式如下，
将用户、项目显式评分数据转换成隐式数据；
对隐式数据按照训练和测试的需要进行按比例的分配。
3.如权利要求1所述的基于深度协同过滤的推荐方法，其特征在于：所述步骤二实现方式如下，
对预处理过的用户、项目数据分别进行embedding，得到用户和项目不同线性过程的隐式向量；
用户隐式向量和项目隐式向量之间进行哈达玛积和线性特征提取，得到交互函数的不同线性表示。
4.如权利要求3所述的基于深度协同过滤的推荐方法，其特征在于：线性特征提取过程采用多层感知机实现。
5.如权利要求1所述的基于深度协同过滤的推荐方法，其特征在于：所述步骤三中，深度神经网络采用单塔层的非线性深度神经网络结构实现。
6.如权利要求5所述的基于深度协同过滤的推荐方法，其特征在于：所述步骤三中，单塔层的非线性深度神经网络结构采用多层感知机实现。
7.一种基于深度协同过滤的推荐系统，其特征在于：用于实现如权利要求1-6任一项所述的一种基于深度协同过滤的推荐方法。
8.根据权利要求7所述基于深度协同过滤的推荐系统，其特征在于：包括以下模块，
第一模块，用于从互联网中获取海量的用户、项目评分数据，预处理用户、项目评分数据；
第二模块，用于对预处理之后的数据进行embedding操作，完成交互函数线性表示过程；
第三模块，用于将交互函数的完整线性表示送入深度神经网络中，得到完整适配交互函数；
第四模块，用于预测评分，产生推荐列表。
9.根据权利要求7所述基于深度协同过滤的推荐系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-6任一项所述的一种基于深度协同过滤的推荐方法。
10.根据权利要求7所述基于深度协同过滤的推荐系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-6任一项所述的一种基于深度协同过滤的推荐方法。
CN202110118394.0A 2021-01-28 2021-01-28 一种基于深度协同过滤的推荐方法及系统 Active CN112765474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110118394.0A CN112765474B (zh) 2021-01-28 2021-01-28 一种基于深度协同过滤的推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110118394.0A CN112765474B (zh) 2021-01-28 2021-01-28 一种基于深度协同过滤的推荐方法及系统

Publications (2)

Publication Number Publication Date
CN112765474A true CN112765474A (zh) 2021-05-07
CN112765474B CN112765474B (zh) 2023-05-02

Family

ID=75706418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110118394.0A Active CN112765474B (zh) 2021-01-28 2021-01-28 一种基于深度协同过滤的推荐方法及系统

Country Status (1)

Country Link
CN (1) CN112765474B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116244517A (zh) * 2023-03-03 2023-06-09 北京航空航天大学 一种基于层次化信息抽取网络的多场景多任务推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150187024A1 (en) * 2013-12-27 2015-07-02 Telefonica Digital España, S.L.U. System and Method for Socially Aware Recommendations Based on Implicit User Feedback
CN110188283A (zh) * 2019-06-05 2019-08-30 中国人民解放军国防科技大学 一种基于联合神经网络协同过滤的信息推荐方法及其系统
CN110866145A (zh) * 2019-11-06 2020-03-06 辽宁工程技术大学 一种共同偏好辅助的深度单类协同过滤推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150187024A1 (en) * 2013-12-27 2015-07-02 Telefonica Digital España, S.L.U. System and Method for Socially Aware Recommendations Based on Implicit User Feedback
CN110188283A (zh) * 2019-06-05 2019-08-30 中国人民解放军国防科技大学 一种基于联合神经网络协同过滤的信息推荐方法及其系统
CN110866145A (zh) * 2019-11-06 2020-03-06 辽宁工程技术大学 一种共同偏好辅助的深度单类协同过滤推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张杰等: "基于混合自编码器的协同过滤推荐算法优化", 《计算机系统应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116244517A (zh) * 2023-03-03 2023-06-09 北京航空航天大学 一种基于层次化信息抽取网络的多场景多任务推荐方法
CN116244517B (zh) * 2023-03-03 2023-11-28 北京航空航天大学 基于层次化信息抽取网络的多场景多任务的模型训练方法

Also Published As

Publication number Publication date
CN112765474B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN109299396B (zh) 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN111523047B (zh) 基于图神经网络的多关系协同过滤算法
CN110059262B (zh) 一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法
CN111222332B (zh) 一种结合注意力网络和用户情感的商品推荐方法
CN111339415B (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN109785062B (zh) 一种基于协同过滤模型的混合神经网络推荐系统
CN110083770B (zh) 一种基于特征层面更深的自注意力网络的序列推荐方法
CN110781409B (zh) 一种基于协同过滤的物品推荐方法
CN109657156A (zh) 一种基于循环生成对抗网络的个性化推荐方法
CN110032679B (zh) 一种基于层次注意力网络的动态新闻推荐的方法
US20230316379A1 (en) Deep learning based visual compatibility prediction for bundle recommendations
CN111737578A (zh) 一种推荐方法及系统
CN108491469B (zh) 引入概念标签的神经协同过滤概念描述词推荐方法
CN111680147A (zh) 一种数据处理方法、装置、设备以及可读存储介质
CN111143705A (zh) 一种基于图卷积网络的推荐方法
CN112699215B (zh) 基于胶囊网络与交互注意力机制的评级预测方法及系统
CN110659411A (zh) 一种基于神经注意力自编码器的个性化推荐方法
CN112699310A (zh) 基于深度神经网络的冷启动跨域混合推荐的方法及系统
CN110502701B (zh) 引入注意力机制的好友推荐方法、系统和存储介质
CN112085158A (zh) 一种基于堆栈降噪自编码器的图书推荐方法
CN115964560A (zh) 基于多模态预训练模型的资讯推荐方法及设备
CN117216281A (zh) 一种基于知识图谱的用户兴趣扩散推荐方法及系统
CN114781503A (zh) 一种基于深度特征融合的点击率预估方法
CN114691838B (zh) 聊天机器人搜索推荐模型的训练、推荐方法及电子设备

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
GR01 Patent grant
GR01 Patent grant