CN113392325A - 一种基于深度学习的信息推荐方法 - Google Patents

一种基于深度学习的信息推荐方法 Download PDF

Info

Publication number
CN113392325A
CN113392325A CN202110688005.8A CN202110688005A CN113392325A CN 113392325 A CN113392325 A CN 113392325A CN 202110688005 A CN202110688005 A CN 202110688005A CN 113392325 A CN113392325 A CN 113392325A
Authority
CN
China
Prior art keywords
similarity
consumer
model
interest
matrix
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
Application number
CN202110688005.8A
Other languages
English (en)
Inventor
李建平
贺喜
王青松
李天凯
蒋涛
陈强强
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110688005.8A priority Critical patent/CN113392325A/zh
Publication of CN113392325A publication Critical patent/CN113392325A/zh
Pending legal-status Critical Current

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/045—Combinations of networks
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于深度学习的信息推荐方法，包括：S1、将数据集输入至推荐系统中；S2、在推荐系统中，通过对数据集依次在召回阶段、排序阶段及深度学习模型的特征处理阶段进行数据处理，获得信息推荐结果。本发明提出了改进的概率矩阵分解模型，并且融入了消费者或者商品的个人兴趣、偏好等，能够对RS召回的目的性与准确性有所提升；同时构建了一个基于深度神经网络的FWHFM模型，将特征域对嵌入矩阵与特征嵌入向量的产生的FHWFM交互层与原本的特征向量层进行拼接，在通过深度神经网络DNN进行训练，其点击率估计效果明显优于其他深度模型；基于本发明对推荐系统中两个模型的改进，提升了信息推荐过程中的信息推荐的准确性。

Description

一种基于深度学习的信息推荐方法
技术领域
本发明属于信息推荐技术领域，具体涉及一种基于深度学习的信息推荐方法。
背景技术
处于信息爆炸的新纪元，各种网络产品已经与我们生活的方方面面不可分割。无论是衣食住行还是学习、工作和娱乐。网络服务不仅在给予我们方便与快捷的同时，同样也给我们带来炸裂式的海量信息。大量同质化，没有深度的信息铺天盖地，大量热门消息聚集的同时，许多信息却又被“冷落”，不能被很好的利用。在尤为讲究个性化的现代社会，人们多样性的需求得不到满足，个体差异化得不到体现，因此各类信息的过滤与推荐方式成为现今工业与学术届争相研究的问题，各类推荐工具在互联网中应运而生。
推荐系统的基本定义为：推荐系统是充分利用用户的信息画像，利用用户的兴趣偏好。对其可能感兴趣的物品与内容进行预测，推荐相应的物品。核心在于深度挖掘与获取用户不同偏好的信息。因此，推荐系统的本质，不外乎就是搭建用户“消费者偏好”与“产品特有属性”的桥梁。通过一定的关联方式，在一定的情形下为消费者推荐其会产生偏好的东西。终达双赢的局面。对于推荐系统性能好坏高低的判断与评价确认便成为一个十分重要的问题。一般衡量推荐系统的效果往往是多维度的，用推荐内容符合用户满意程度的满意度；感兴趣内容都被推荐出来的丰富度；推荐内容品类的多样性，推荐的及时性等等，衡量系统内容相对均匀曝光程度等等。
发明内容
针对现有技术中的上述不足，本发明提供的基于深度学习的信息推荐方法解决了现有的推荐系统中存在的数据稀疏和存在冷启动的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的信息推荐方法，包括以下步骤：
S1、将数据集输入至推荐系统中；
S2、在推荐系统中，通过对数据集依次在召回阶段、排序阶段及深度学习模型的特征处理阶段进行数据处理，获得信息推荐结果。
进一步地，所述步骤S2，在所述召回阶段，通过改进PMF模型形成的PSPMF模型对输入数据集进行处理，获取数据集对应的矩阵分解结果。
进一步地，所述PSPMF模型对输入数据集进行处理的方法具体为：
A1、构建消费者之间的兴趣相似度和商品之间的商品相似度；
A2、融合消费者兴趣相似度和商品相似度，构建受同种兴趣影响的矩阵；
A3、根据构建的集合，确定具有高斯分布特性的相似消费者先验概率的特征矩阵方程，及物品先验概率的特征矩阵方程；
A4、基于构建的两个特征矩阵方程，确定融合了消费者兴趣相似度和商品兴趣相似度的目标函数；
A5、采用SGD算法对目标函数进行求解，得到受同种兴趣影响的矩阵对应的矩阵分解结果。
进一步地，所述步骤A1中，所述消费者之间的兴趣相似度S由相似度SL1(ci,vj)和相似度SL2(ci,cj)加权组合而成，其计算公式为：
S＝uSL1(ci,vj)+(1-u)SL2(ci,cj)
式中，u为权值；
其中，相似度SL1(ci,vj)的值由第i个消费者与第j个消费者对同一特征标签之间的评分值与评分数量确定，其计算公式为：
Figure BDA0003125286680000031
式中，
Figure BDA0003125286680000032
和
Figure BDA0003125286680000033
为第i个消费者ci与第j个消费者cj各自的特征标签集合，
Figure BDA0003125286680000034
和
Figure BDA0003125286680000035
分别为第i个消费者ci与第j个消费者cj各自对应的特征标签的评分，
Figure BDA0003125286680000036
和
Figure BDA0003125286680000037
分别为第i个消费者ci与第j个消费者cj各自所有特征标签的评分的均值；
相似度SL2(ci,cj)的值由第i个消费者对第j个消费者不同特征标签的关注数目的余弦相似度确定，其计算公式为：
Figure BDA0003125286680000038
式中，
Figure BDA0003125286680000039
分别为第i个消费者ci与第j个消费者cj的特征标签数目，L为特征标签数目集合，L＝{l1,l2,...,ln}；
所述步骤A1的商品相似度SL3(vi,vj)的计算公式为：
Figure BDA00031252866800000310
式中，
Figure BDA00031252866800000311
分别为第i个商品vi与第j个商品vj共同的特征标签数目。
进一步地，所述步骤A2中，受同种兴趣影响的集合包括第i个消费者具有同种兴趣相似度的矩阵Ci及第i个物品具有同种兴趣相似度的矩阵Vi；
其中，集合Ci的表达式为：
Figure BDA00031252866800000312
式中，Ci'为原本消费者矩阵，Jix为第i个消费者具有同种兴趣用户的相似度值；
Figure BDA0003125286680000041
式中，Vi'为原本商品矩阵，Kiy为第i个商品具有同种兴趣用户的相似度值；
进一步地，所述步骤A3中，相似消费者先验概率的特征矩阵方程为：
Figure BDA0003125286680000042
物品先验概率的特征矩阵方程为：
Figure BDA0003125286680000043
进一步地，所述步骤A4中，构建的目标函数为：
Figure BDA0003125286680000044
所述步骤A5中，矩阵分解结果为：
Figure BDA0003125286680000045
Figure BDA0003125286680000046
式中，ε为学习的速率。
进一步地，所述步骤S2中，在所述排序阶段，通过改进FHWFM模型形成的DeepFHWFM模型对输入数据进行处理，获取输入数据集对应的点击率估计结果。
进一步地，所述DeepFHWFM模型的表达式为：
Figure BDA0003125286680000047
式中，
Figure BDA0003125286680000048
为LR算法的基本模型，
Figure BDA0003125286680000049
为前馈深度神经网络的模型，其中，v'为DeepFHWFM模型中Deep模块的输入，由H(i,j)部分与特征嵌入向量模块相互拼接而成，并添加到DNN输入层，其计算公式为：
v'＝L({vfe,fm,vactive(x,1),vactive(x,2),...,vactive(x,n)})
其中，vactive(x,1),vactive(x,2),...,vactive(x,n)为数据点x所在域1,2,...,n的特征值是否存在，且(i,j)∈{1,m}∩{1,m}∩i<j，由H(i,j)部分产生的根据每个特征与其他不同特征域的特征交互作用形成，其计算公式为：
Figure BDA0003125286680000051
本发明的有益效果为：
(1)本发明提出了改进的概率矩阵分解模型，并且融入了消费者或者商品的个人兴趣、偏好等，能够对RS召回的目的性与准确性有所提升；
(2)本发明提出了一种新的FWHFM模型，接着并其与深度前馈神经网络相集合，构建了一个基于深度神经网络的FWHFM模型，将特征域对嵌入矩阵与特征嵌入向量的产生的FHWFM交互层与原本的特征向量层进行拼接，在通过深度神经网络DNN进行训练，其点击率估计效果明显优于其他现有的深度模型；
(3)基于本发明对推荐系统中两个模型的改进，提升了信息推荐过程中的信息推荐的准确性。
附图说明
图1为本发明提供的基于深度学习的信息推荐方法流程图。
图2为本发明提供的PSPMF模型算法原理图。
图3为本发明提供DeepFHWFM模型原理图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于深度学习的信息推荐方法，包括以下步骤：
S1、将数据集输入至推荐系统中；
S2、在推荐系统中，通过对数据集依次在召回阶段、排序阶段及深度学习模型的特征处理阶段进行数据处理，获得信息推荐结果。
在本实施例的步骤S2中，在所述召回阶段，通过改进PMF模型形成的PSPMF模型对输入数据集进行处理，获取数据集对应的矩阵分解结果。PSPMF模型能够很好的考虑到噪声问题，同时引入用户与项目的受控约束条件，来很好的控制拟合，PSPMF模型模型中引入消费者的相似度与商品的相似度，来充分考虑两者的重要信息，其本质四在PMF模型的基础上，将消费者与商品具有更加丰富的显性特征，包含消费者之间兴趣偏好的相似程度，以及商品中的这些特征融入到概率因子分解模型，以此让推荐系统在召回阶段，能够将最初海量的数据信息中取得较好的预测性能，此外该算法还会用到一些标签信息。
基于此，结合图2中的PSPMF模型算法原理图，PSPMF模型对输入数据集进行处理的方法具体为：
A1、构建消费者之间的兴趣相似度和商品之间的商品相似度；
A2、融合消费者兴趣相似度和商品相似度，构建受同种兴趣影响的矩阵；
A3、根据构建的集合，确定具有高斯分布特性的相似消费者先验概率的特征矩阵方程，及物品先验概率的特征矩阵方程；
A4、基于构建的两个特征矩阵方程，确定融合了消费者兴趣相似度和商品兴趣相似度的目标函数；
A5、采用SGD算法对目标函数进行求解，得到受同种兴趣影响的矩阵对应的矩阵分解结果。
上述步骤A1中，所述消费者之间的兴趣相似度S由相似度SL1(ci,vj)和相似度SL2(ci,cj)加权组合而成，其计算公式为：
S＝uSL1(ci,vj)+(1-u)SL2(ci,cj)
式中，u为权值；
其中，相似度SL1(ci,vj)的值由第i个消费者与第j个消费者对同一特征标签之间的评分值与评分数量确定，其计算公式为：
Figure BDA0003125286680000071
式中，
Figure BDA0003125286680000072
和
Figure BDA0003125286680000073
为第i个消费者ci与第j个消费者cj各自的特征标签集合，
Figure BDA0003125286680000074
和
Figure BDA0003125286680000075
分别为第i个消费者ci与第j个消费者cj各自对应的特征标签的评分，
Figure BDA0003125286680000076
和
Figure BDA0003125286680000077
分别为第i个消费者ci与第j个消费者cj各自所有特征标签的评分的均值；
相似度SL2(ci,cj)的值由第i个消费者对第j个消费者不同特征标签的关注数目的余弦相似度确定，其计算公式为：
Figure BDA0003125286680000078
式中，
Figure BDA0003125286680000079
分别为第i个消费者ci与第j个消费者cj的特征标签数目，L为特征标签数目集合，L＝{l1,l2,...,ln}；
所述步骤A1的商品相似度SL3(vi,vj)的计算公式为：
Figure BDA00031252866800000710
式中，
Figure BDA0003125286680000081
分别为第i个商品vi与第j个商品vj共同的特征标签数目。
需要说明的是，消费者评价不高的商品并不代表不喜欢这一类商品，可能只是局限于这一个商品本身，因此，当消费者对多个商品进行评价时，无论分数的高低，也表明消费者对具有该标签的商品感兴趣。
上述步骤A2中，受同种兴趣影响的集合包括第i个消费者具有同种兴趣相似度的矩阵Ci及第i个物品具有同种兴趣相似度的矩阵Vi；
融合消费者兴趣相似度与商品相似度，消费者兴趣相似度其核心原理为：消费者的商品兴趣受到其他具有类似兴趣的用户影响，因此，我们在原本消费者矩阵C'的基础上引入权重矩阵与相似度矩阵J进行加权求和，并进行归一化，得到一个新的受具有同种兴趣影响的消费者矩阵，基于此得到第i个消费者具有同种兴趣相似度的矩阵Ci的表达式为：
Figure BDA0003125286680000082
式中，Ci'为原本消费者矩阵，Jix为第i个消费者具有同种兴趣用户的相似度值；
同理，得到第i个物品具有同种兴趣相似度的矩阵Vi为：
Figure BDA0003125286680000083
式中，Vi'为原本商品矩阵，Kiy为第i个商品具有同种兴趣用户的相似度值。
上述步骤A3中，矩阵J,K均满足期望为0，方差为σJ 2和σK 2的高斯分布，由此得到相似消费者先验概率的特征矩阵方程为：
Figure BDA0003125286680000084
同理得到物品先验概率的特征矩阵方程为：
Figure BDA0003125286680000091
上述步骤A4中，融合了消费者兴趣相似度和商品兴趣相似度的目标函数为：
Figure BDA0003125286680000092
由此得到最终构建的目标函数为：
Figure BDA0003125286680000093
上述步骤A5中，采用SGD算法求解目标函数的最小解，并对Ci和Vi分别进行迭代，得到矩阵分解结果为：
Figure BDA0003125286680000094
Figure BDA0003125286680000095
本实施例的步骤S2中，在所述排序阶段，通过改进FHWFM模型形成的DeepFHWFM模型对输入数据进行处理，获取输入数据集对应的点击率估计结果。
针对浅层模型的弊端，在本实施例中将现在的深度神经网络的学习算法与FHWFM进行有效的融合，经过对各个模型深入分析与结构，发现目前大多数常用的深度模型。其实可以简单归纳为将各自核心层产生的特征组合反馈给深度神经网络(简称DNN)在进行学习。模型之间的差异来源于核心层的设计的不同，包括FNN模型，PNN模型，Wide&Deep模型等，本质上都是FM模型的演化与深度神经网络结合的产物。本文提出的基于深度学习的HFWFM模型(这里简称DeepHFWFM)，与DeepFM有着一定程度的相似性。对于Deep部分的DeepFM仅仅只有来之特征嵌入向量的输入，而我们提出的DeepHFWFM不仅利用了特征嵌入向量，还同时将HFWFM模型中的H(i,j)部分输入到DNN。从现在的各种模型对比发现，无论是PNN，FNN，DeepFM，XdeepFM等模型，都是通过自行设计的核心层与FM模块进行结合。而且其深度神经网络的层数都在2到4层左右，且超过一定的数量其训练的效果反而会下降，过低又会效果不明显，因此在FHWFM中将采用两层的网络结构。本实施例构建的DeepFHWFM模型的整体框架如图3所示，其表达式为：
Figure BDA0003125286680000101
式中，
Figure BDA0003125286680000102
为LR算法的基本模型，
Figure BDA0003125286680000103
为前馈深度神经网络的模型，其中，v'为DeepFHWFM模型中Deep模块的输入，由H(i,j)部分与特征嵌入向量模块相互拼接而成，并添加到DNN输入层，其计算公式为：
v'＝L({vfe,fm,vactive(x,1),vactive(x,2),...,vactive(x,n)})
其中，vactive(x,1),vactive(x,2),...,vactive(x,n)为数据点x所在域1,2,...,n的特征值是否存在，且(i,j)∈{1,m}∩{1,m}∩i<j，由H(i,j)部分产生的根据每个特征与其他不同特征域的特征交互作用形成，其计算公式为：
Figure BDA0003125286680000104

Claims (9)

1.一种基于深度学习的信息推荐方法，其特征在于，包括以下步骤：
S1、将数据集输入至推荐系统中；
S2、在推荐系统中，通过对数据集依次在召回阶段、排序阶段及深度学习模型的特征处理阶段进行数据处理，获得信息推荐结果。
2.根据权利要求1所述的基于深度学习的信息推荐方法，其特征在于，所述步骤S2，在所述召回阶段，通过改进PMF模型形成的PSPMF模型对输入数据集进行处理，获取数据集对应的矩阵分解结果。
3.根据权利要求2所述的基于深度学习的信息推荐方法，其特征在于，所述PSPMF模型对输入数据集进行处理的方法具体为：
A1、构建消费者之间的兴趣相似度和商品之间的商品相似度；
A2、融合消费者兴趣相似度和商品相似度，构建受同种兴趣影响的矩阵；
A3、根据构建的集合，确定具有高斯分布特性的相似消费者先验概率的特征矩阵方程，及物品先验概率的特征矩阵方程；
A4、基于构建的两个特征矩阵方程，确定融合了消费者兴趣相似度和商品兴趣相似度的目标函数；
A5、采用SGD算法对目标函数进行求解，得到受同种兴趣影响的矩阵对应的矩阵分解结果。
4.根据权利要求3所述的基于深度学习的信息推荐方法，其特征在于，所述步骤A1中，所述消费者之间的兴趣相似度S由相似度SL1(ci,vj)和相似度SL2(ci,cj)加权组合而成，其计算公式为：
S＝uSL1(ci,vj)+(1-u)SL2(ci,cj)
式中，u为权值；
其中，相似度SL1(ci,vj)的值由第i个消费者与第j个消费者对同一特征标签之间的评分值与评分数量确定，其计算公式为：
Figure FDA0003125286670000021
式中，
Figure FDA0003125286670000022
和
Figure FDA0003125286670000023
为第i个消费者ci与第j个消费者cj各自的特征标签集合，
Figure FDA0003125286670000024
和
Figure FDA0003125286670000025
分别为第i个消费者ci与第j个消费者cj各自对应的特征标签的评分，
Figure FDA0003125286670000026
和
Figure FDA0003125286670000027
分别为第i个消费者ci与第j个消费者cj各自所有特征标签的评分的均值；
相似度SL2(ci,cj)的值由第i个消费者对第j个消费者不同特征标签的关注数目的余弦相似度确定，其计算公式为：
Figure FDA0003125286670000028
式中，
Figure FDA0003125286670000029
分别为第i个消费者ci与第j个消费者cj的特征标签数目，L为特征标签数目集合，L＝{l1,l2,...,ln}；
所述步骤A1的商品相似度SL3(vi,vj)的计算公式为：
Figure FDA00031252866700000210
式中，
Figure FDA00031252866700000211
分别为第i个商品vi与第j个商品vj共同的特征标签数目。
5.根据权利要求4所述的基于深度学习的信息推荐方法，其特征在于，所述步骤A2中，受同种兴趣影响的集合包括第i个消费者具有同种兴趣相似度的矩阵Ci及第i个物品具有同种兴趣相似度的矩阵Vi；
其中，集合Ci的表达式为：
Figure FDA00031252866700000212
式中，Ci'为原本消费者矩阵，Jix为第i个消费者具有同种兴趣用户的相似度值；
Figure FDA0003125286670000031
式中，Vi'为原本商品矩阵，Kiy为第i个商品具有同种兴趣用户的相似度值。
6.根据权利要求5所述的基于深度学习的信息推荐方法，其特征在于，所述步骤A3中，相似消费者先验概率的特征矩阵方程为：
Figure FDA0003125286670000032
物品先验概率的特征矩阵方程为：
Figure FDA0003125286670000033
7.根据权利要求6所述的基于深度学习的信息推荐方法，其特征在于，所述步骤A4中，构建的目标函数为：
Figure FDA0003125286670000034
所述步骤A5中，矩阵分解结果为：
Figure FDA0003125286670000035
Figure FDA0003125286670000036
式中，ε为学习的速率。
8.根据权利要求1所述的基于深度学习的信息推荐方法，其特征在于，所述步骤S2中，在所述排序阶段，通过改进FHWFM模型形成的DeepFHWFM模型对输入数据进行处理，获取输入数据集对应的点击率估计结果。
9.根据权利要求8所述的基于深度学习的信息推荐方法，其特征在于，所述DeepFHWFM模型的表达式为：
Figure FDA0003125286670000041
式中，
Figure FDA0003125286670000042
为LR算法的基本模型，
Figure FDA0003125286670000043
为前馈深度神经网络的模型，其中，v'为DeepFHWFM模型中Deep模块的输入，由H(i,j)部分与特征嵌入向量模块相互拼接而成，并添加到DNN输入层，其计算公式为：
v'＝L({vfe,fm,vactive(x,1),vactive(x,2),...,vactive(x,n)})
其中，vactive(x,1),vactive(x,2),...,vactive(x,n)为数据点x所在域1,2,...,n的特征值是否存在，且(i,j)∈{1,m}∩{1,m}∩i<j，由H(i,j)部分产生的根据每个特征与其他不同特征域的特征交互作用形成，其计算公式为：
Figure FDA0003125286670000044
CN202110688005.8A 2021-06-21 2021-06-21 一种基于深度学习的信息推荐方法 Pending CN113392325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110688005.8A CN113392325A (zh) 2021-06-21 2021-06-21 一种基于深度学习的信息推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110688005.8A CN113392325A (zh) 2021-06-21 2021-06-21 一种基于深度学习的信息推荐方法

Publications (1)

Publication Number Publication Date
CN113392325A true CN113392325A (zh) 2021-09-14

Family

ID=77623473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110688005.8A Pending CN113392325A (zh) 2021-06-21 2021-06-21 一种基于深度学习的信息推荐方法

Country Status (1)

Country Link
CN (1) CN113392325A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980648A (zh) * 2017-02-27 2017-07-25 南京邮电大学 一种基于概率矩阵分解结合相似度的个性化推荐方法
CN108182621A (zh) * 2017-12-07 2018-06-19 合肥美的智能科技有限公司 商品推荐方法及商品推荐装置、设备和存储介质
CN109191240A (zh) * 2018-08-14 2019-01-11 北京九狐时代智能科技有限公司 一种进行商品推荐的方法和装置
US20190347706A1 (en) * 2018-05-08 2019-11-14 Myntra Designs Private Limited Size and fitting recommendation system and method for fashion products
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统
CN110827112A (zh) * 2019-09-16 2020-02-21 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN111079011A (zh) * 2019-12-12 2020-04-28 电子科技大学 一种基于深度学习的信息推荐方法
CN111259133A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 一种融合多信息的个性化推荐方法
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
CN112883288A (zh) * 2021-03-09 2021-06-01 东南大学 基于深度学习和多Agent优化的软件评审者混合推荐方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980648A (zh) * 2017-02-27 2017-07-25 南京邮电大学 一种基于概率矩阵分解结合相似度的个性化推荐方法
CN108182621A (zh) * 2017-12-07 2018-06-19 合肥美的智能科技有限公司 商品推荐方法及商品推荐装置、设备和存储介质
US20190347706A1 (en) * 2018-05-08 2019-11-14 Myntra Designs Private Limited Size and fitting recommendation system and method for fashion products
CN109191240A (zh) * 2018-08-14 2019-01-11 北京九狐时代智能科技有限公司 一种进行商品推荐的方法和装置
CN110827112A (zh) * 2019-09-16 2020-02-21 中国平安人寿保险股份有限公司 深度学习的商品推荐方法、装置、计算机设备及存储介质
CN110807154A (zh) * 2019-11-08 2020-02-18 内蒙古工业大学 一种基于混合深度学习模型的推荐方法与系统
CN111079011A (zh) * 2019-12-12 2020-04-28 电子科技大学 一种基于深度学习的信息推荐方法
CN111259133A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 一种融合多信息的个性化推荐方法
CN112598462A (zh) * 2020-12-19 2021-04-02 武汉大学 基于协同过滤和深度学习的个性化推荐方法及系统
CN112883288A (zh) * 2021-03-09 2021-06-01 东南大学 基于深度学习和多Agent优化的软件评审者混合推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘振鹏 等: "HRS-DC：基于深度学习的混合推荐模型", 《计算机工程与应用》 *
刘胜宗 等: "基于PMF进行潜在特征因子分解的标签推荐", 《湖南大学学报(自然科学版)》 *

Similar Documents

Publication Publication Date Title
CN110162693B (zh) 一种信息推荐的方法以及服务器
Zhang et al. Multi-domain collaborative filtering
US8903811B2 (en) System and method for personalized search
CN110263257B (zh) 基于深度学习处理多源异构数据的推荐方法
CN108509573B (zh) 基于矩阵分解协同过滤算法的图书推荐方法及系统
CN107545471B (zh) 一种基于高斯混合的大数据智能推荐方法
Nadimi-Shahraki et al. Cold-start problem in collaborative recommender systems: Efficient methods based on ask-to-rate technique
CN110930219A (zh) 一种基于多特征融合的个性化电商推荐方法
CN112307332B (zh) 基于用户画像聚类的协同过滤推荐方法、系统及存储介质
CN112700274A (zh) 一种基于用户偏好的广告点击率预估方法
US20130173583A1 (en) Keyword index pruning
Liu et al. Large-scale recommender system with compact latent factor model
CN108595533A (zh) 一种基于协同过滤的物品推荐方法、存储介质及服务器
Al-Bashiri et al. Collaborative filtering recommender system: overview and challenges
CN113158024A (zh) 一种纠正推荐系统流行度偏差的因果推理方法
CN116071128A (zh) 一种基于多行为特征提取与自监督学习的多任务推荐方法
Wu et al. Product ranking through fusing the wisdom of consumers extracted from online reviews on multiple platforms
Kottage et al. Preference based recommendation system for apparel e-commerce sites
CN113392325A (zh) 一种基于深度学习的信息推荐方法
Wang et al. Multi‐feedback Pairwise Ranking via Adversarial Training for Recommender
Zhang et al. An entropy-based model for discovering the usefulness of online product reviews
CN114971775A (zh) 用户-商品偏好的推荐系统和方法
Desrosiers et al. Solving the sparsity problem: collaborative filtering via indirect similarities
Xiao Information management of e-commerce platform based on neural networks and fuzzy deep learning models
Wang et al. NAUI: Neural attentive user interest model for cross-domain CTR prediction

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230324

AD01 Patent right deemed abandoned