CN114547480A - 一种基于多平台融合的深度学习推荐方法以及系统 - Google Patents
一种基于多平台融合的深度学习推荐方法以及系统 Download PDFInfo
- Publication number
- CN114547480A CN114547480A CN202210164631.1A CN202210164631A CN114547480A CN 114547480 A CN114547480 A CN 114547480A CN 202210164631 A CN202210164631 A CN 202210164631A CN 114547480 A CN114547480 A CN 114547480A
- Authority
- CN
- China
- Prior art keywords
- user
- layer
- users
- platform
- item
- 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
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (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
本发明公开了一种基于多平台融合的深度学习推荐方法,该方法包括:多平台用户关系构建,从通用的社交平台和/或特定领域采集用户及交互关系,从而构建用户之间社交关系,用户之间社交关系分为一级好友和二级好友;矩阵分解神经协同过滤模型的构建,通过融合MF和LSTM构建模型;对模型进行训练,通过互联网已公开的数据集对上述得到的模型进行训练;对训练完成的模型进行反馈修正,根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正。本发明还提供了基于多平台融合的深度学习推荐方法的系统。本发明改进了推荐算法,实现了更快的收敛速度和更优的推荐效果。
Description
技术领域
本发明涉及推荐系统领域,具体地,涉及一种基于多平台融合的深度学习推荐方法以及系统。
背景技术
随着互联网技术的高速发展,网络上的信息爆发式增长,人们享受巨量信息资源带来的便利,用户可以通过指定关键词的搜索来解决对特定信息的需求,早前的信息检索是通过查询的方式进行信息筛选,但是仍然无法自动地为当前用户提供可能喜爱的信息,在这一背景下,新兴的推荐系统恰到好处地解决这一痛点问题,即依据用户历史记录,推测用户兴趣需求,并实时地为用户推荐可能喜爱的产品,它的产生不仅可以挖掘用户的潜在兴趣,提升用户体验,而且可以促进产品推广,提高实体制造的积极性。
传统的推荐系统算法中经典的便是协同过滤的推荐算法,其主要分为基于用户的协同过滤和基于物品的协同过滤,基本思想根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品,基于用户的协同过滤是给用户推荐和他兴趣相似的其他用户喜欢的产品,而基于物品的协同过滤给用户推荐和他之前喜欢的物品相似的物品,但是存在稀疏性、冷启动困难等缺点,尤其是当新用户初始使用时,由于数据不足,导致无法对该用户进行推荐或者无法准确地进行推荐。
发明内容
(一)解决的技术问题
为解决上述技术问题,本发明提供了一种基于多平台融合的深度学习推荐方法及系统,该方法通过融合多平台信息,结合深度学习算法有效解决了初始使用的新用户由于数据不足导致推荐不准确或无法进行推荐的问题。
(二)技术方案
为了解决上述存在的技术问题,实现发明目的,本发明是通过以下技术方案实现的:
一种多平台融合的深度学习推荐方法,包括以下步骤:
步骤1:多平台用户关系构建
从通用的社交平台和/或特定领域采集用户及交互关系,从而构建用户之间社交关系,用户之间社交关系分为一级好友和二级好友。其中,一级好友为与元用户直接产生社交关系的好友,例如与元用户关注关系,直接好友关系或是与元用户产生过直接交互,例如点赞,发送消息等。二级好友为与元用户不产生直接社交关系,但是有相同的社交圈的用户,例如加入相同组群,购买过相同或相似的产品等。由此获得一级好友和二级好友组成的好友用户集合以及好友交互物品的物品集合。
步骤2:矩阵分解神经协同过滤模型的构建
由步骤1得到的好友用户以及物品集合作为模型的输入层输入;
通过MF嵌入层和LSTM嵌入层映射成输入到MF层和LSTM层的用户和物品特征向量,好友用户集合以及物品集合通过时间排序;
进行矩阵分解:通过嵌入层得到好友用户特征向量和物品特征向量,定义神经协同过滤模型中的第一层的映射函数,然后映射向量到输出层。
构建长短期记忆网络:通过LSTM来捕获用户和物品的时间依赖性,对时序信息循环计算以挖掘上下文关系,通过构造用户状态和物品状态进行自回归计算,对推荐系统中的用户行为序列进行分析,模型通过上一时刻的用户和物品状态预测此时的用户和物品状态,然后预测此时用户和物品进行交互地可能性。
建立输出层:将MF层和LSTM层输出的向量进行融合。
步骤3:对模型进行训练
通过互联网已公开的数据集对步骤2得到的模型进行训练。
步骤4:对训练完成的模型进行反馈修正
根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正,具体为,若基于用户y推荐的物品被元用户交互,则根据交互的等级进行正反馈修正,若基于用户y推荐的物品未被元用户交互,则进行负反馈修正。
进一步地,步骤1还具体包括:
一级好友采用直接获取的方式获取用户信息;通过用户注册账号所用邮箱或者手机号码获取其在其他平台的直接好友信息;
二级好友采用挖掘好友方式获取;
设物品数为n,用户数目为m,构建关系矩阵An×m={aij}和权重矩阵Bn×m={bij}。其中:aij表示用户了对物品i是否产生交互行为,若产生交互则赋值1,否则为0,权重矩阵Bn×m根据点击,浏览,收藏,购买,评价几种交互类型依次设置赋值分别为1-5,若用户仅点击该物品,没有进行后续操作,则赋值1,如果用户进行了浏览,但没有收藏,购买和评价,则赋值2,若用户进行了收藏,但未购买和评价,则赋值3,若用户进行了购买,但未评价,则赋值4,若用户在购买后进行了评价,则赋值5。
用户x,y之间的兴趣相似度Cxy为:
其中:I(x)表示用户x关注的物品集合,I(y)表示用户y关注的物品集合,Ix,y=I(x)∩I(y),表示用户x,y共同感兴趣的物品集合;bix为用户x对物品i的关注度,biy为用户y对物品i的关注度,U(i)表示所有关注过物品i的用户集合,∑j∈U(i)bij表示所有关注过i物品的用户的关注度之和;|I(x)|表示x用户关注的物品总数,|U(i)|表示关注i物品的用户数量,以上各个参数均可通过关系矩阵An×m和权重矩阵Bn×m获得。当兴趣相似度Cxy大于阈值T,则将用户y选定为用户x的二级好友。
进一步地,步骤2还具体包括:
矩阵分解步骤中,神经协同过滤模型中的第一层的映射函数定义为:
构建长短期记忆网络步骤中,通过上一时刻的用户和物品状态预测此时的用户和物品状态具体为:
pu,t+1=g(pu,t,rui|t) (3)
qu,t+1=h(qu,t,rui|t) (4)
其中,pu,t+1为预测t+1时刻用户交互的可能性;qu,t+1预测t+1时刻物品交互的可能性;pu,t,qu,t分别为上一时刻用户和物品交互可能性;rui|t为用户u在t时刻对物品i的评分;
用户评分行为具体为:
建立输出层步骤中,MF层和LSTM层输出的向量进行融合方法具体为:
进一步地,神经网络采用Sigmoid作为激活函数;
进一步地,采用对数损失函数学习h进行优化。
本发明还提供一种多平台融合的深度学习推荐系统,其具体包括:
多平台好友挖掘模块,其用于多平台用户关系构建,具体为从通用的社交平台和/或特定领域采集用户及信任关系,从而构建用户之间社交关系,用户之间社交关系分为一级好友和二级好友。
矩阵分解神经协同过滤模型构建模块,其用于通过MF嵌入层和LSTM嵌入层映射成输入到MF层和LSTM层的用户和物品特征向量;
进行矩阵分解:通过嵌入层得到好友用户特征向量和物品特征向量,定义神经协同过滤模型中的第一层的映射函数,然后映射向量到输出层。
构建长短期记忆网络:通过LSTM来捕获用户和物品的时间依赖性,对时序信息循环计算以挖掘上下文关系,通过构造用户状态和物品状态进行自回归计算,对推荐系统中的用户行为序列进行分析,模型通过上一时刻的用户和物品状态预测此时的用户和物品状态,然后预测此时用户和物品进行交互地可能性。
建立输出层:将MF层和LSTM层输出的向量进行融合。
模型训练模块,用于通过互联网已公开的数据集对步骤2得到的模型进行训练。
反馈修正模块用于根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正,具体为,若基于用户y推荐的物品被元用户交互,则根据交互的等级进行正反馈修正,若基于用户y推荐的物品未被元用户交互,则进行负反馈修正。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有多平台融合的深度学习推荐程序指令,所述多平台融合的深度学习推荐指令可被一个或者多个处理器执行,以实现如上所述的多平台融合的深度学习推荐方法的步骤。
(三)有益效果
(1)本发明通过融合多平台信息获取多平台用户好友以及物品数据的方式解决新用户的推荐冷启动问题,并且采用负反馈修正进一步提高了推荐算法的准确性;(2)对于神经网络的构建,采用了MF嵌入层和LSTM嵌入层融合的方式,实现了更快的收敛速度和更优的推荐效果。
附图说明
图1为本发明实施例提供的基于多平台融合的深度学习推荐方法流程图
图2为本发明实施例提供的多平台用户关系构建方法示意图
图3为本发明实施例提供的矩阵分解神经协同过滤模型的构建示意图
具体实施方式
下面将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做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。
为详细说明本发明的技术内容,所实现的目的和技术效果,以下结合实施方式并配合附图进行详细说明。
参见图1,多平台融合的深度学习推荐方法包括:
步骤S1:多平台用户关系构建,具体为从通用的社交平台和/或特定领域采集用户及信任关系,从而构建用户之间社交关系,用户之间社交关系分为一级好友和二级好友。其中,一级好友为与元用户直接产生社交关系的好友,例如与元用户关注关系,直接好友关系或是与元用户产生过直接交互,例如点赞,发送消息等。二级好友为与元用户不产生直接社交关系,但是有相同的社交圈的用户,例如加入相同组群,购买过相同或相似的产品等。由此获得一级好友和二级好友组成的好友用户集合以及好友交互物品的物品集合。
参见图2为具体的多平台用户关系构建方法示意图,假设除本平台A外,元用户在平台B,C,D有用户注册信息,设该用户在平台B,C,D分别有一级好友两名,表示为f1,f2;f3,f4;f5,f6。
如图所示,多平台用户关系构建具体包括步骤S11和步骤S12。
步骤S11为:
一级好友采用直接获取的方式获取用户信息;通过用户注册账号所用邮箱或者手机号码获取其在其他平台的直接好友信息;获取一级好友以及各好友的物品集合。
步骤S12为:
二级好友采用挖掘好友方式获取;
假设物品数为4,分别为物品1,2,3,4,用户数为3,分别为用户1,2,3,构建关系矩阵 表示用户1对物品2,3产生过交互行为,用户2对物品1,3,4产生过交互行为,用户3对物品2,4产生过交互行为;
接着根据公式(1)计算各个用户之间的兴趣相似度,如对于用户1,2,其二者之间兴趣相似度:
用户1,2的关注物品集合为物品2,3,b21=1,b22=4,b31=2,b32=4,∑j∈U(i)bij=,假设用户1为元用户,则只需计算出C1,2和C1,3。
设置合适的阈值,当兴趣相似度Cxy大于阈值T,则将用户y选定为用户x的二级好友。
由上述方法筛选得到原用户在平台BCD的二级好友f7-f20,以及各好友的物品集合。
将一级好友和二级好友数据结合,得到好友集合F={fi}和物品集合W={wi},用于下一步构建矩阵分解神经协同过滤模型。
在现有的基于协同过滤的推荐算法存在没有充分利用其它社交平台信息,冷启动问题严重,以及推荐准确度不高的问题下,采用本发明的结合多平台的社交信息,获取元用户在多个社交平台兴趣度接近的好友组成好友群,为该用户的推荐提供了更多有效的信息,有效解决了冷启动困难,推荐不准确的问题。
步骤2:矩阵分解神经协同过滤模型的构建
参见图3,其展示了矩阵分解神经协同过滤模型的构建示意图,其包括下述子步骤:
步骤S21:通过MF嵌入层和LSTM嵌入层映射成输入到MF层和LSTM层的用户和物品特征向量,好友用户集合以及物品集合通过时间排序;
步骤S22:进行矩阵分解:通过嵌入层得到好友用户特征向量和物品特征向量,定义神经协同过滤模型中的第一层的映射函数,然后映射向量到输出层,神经协同过滤模型中的第一层的映射函数定义为:
其中,mu为嵌入层得到的用户特征向量,ni为嵌入层得到的物品特征向量,⊙表示向量的点积;然后将向量映射到输出层,具体为:
步骤S23:构建长短期记忆网络:通过LSTM来捕获用户和物品的时间依赖性,对时序信息循环计算以挖掘上下文关系,通过构造用户状态和物品状态进行自回归计算,对推荐系统中的用户行为序列进行分析,模型通过上一时刻的用户和物品状态预测此时的用户和物品状态,然后预测此时用户和物品进行交互地可能性。
通过上一时刻的用户和物品状态预测此时的用户和物品状态具体为:
pu,t+1=g(pu,t,rui|t)
qu,t+1=h(qu,t,rui|t)
其中,pu,t+1为预测t+1时刻用户交互的可能性;qu,t+1预测t+1时刻物品交互的可能性;pu,t,qu,t分别为上一时刻用户和物品交互可能性;rui|t为用户u在t时刻对物品i的评分;
用户评分行为具体为:
步骤S24:建立输出层:将MF层和LSTM层输出的向量进行融合,具体为:
进一步地,神经网络采用Sigmoid作为激活函数;
进一步地,采用对数损失函数学习h进行优化。
步骤S3:对模型进行训练
上述矩阵分解神经协同过滤模型针对现有技术中没有考虑用户长短期偏好的问题,采用了基于长短期记忆网络,实现了收敛速率加快,推荐性能更好的效果。
通过互联网已公开的数据集对步骤2得到的模型进行训练。
步骤S4:对训练完成的模型进行反馈修正
根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正,具体为,若基于用户y推荐的物品被元用户交互,则根据交互的等级进行正反馈修正,若基于用户y推荐的物品未被元用户交互,则进行负反馈修正。
本发明实施例还提出一种多平台融合的深度学习推荐系统,其具体包括:
多平台好友挖掘模块,其用于多平台用户关系构建,具体为从通用的社交平台和/或特定领域采集用户及信任关系,从而构建用户之间社交关系,用户之间社交关系分为一级好友和二级好友。
矩阵分解神经协同过滤模型构建模块,其用于通过MF嵌入层和LSTM嵌入层映射成输入到MF层和LSTM层的用户和物品特征向量;
进行矩阵分解:通过嵌入层得到好友用户特征向量和物品特征向量,定义神经协同过滤模型中的第一层的映射函数,然后映射向量到输出层。
构建长短期记忆网络:通过LSTM来捕获用户和物品的时间依赖性,对时序信息循环计算以挖掘上下文关系,通过构造用户状态和物品状态进行自回归计算,对推荐系统中的用户行为序列进行分析,模型通过上一时刻的用户和物品状态预测此时的用户和物品状态,然后预测此时用户和物品进行交互地可能性。
建立输出层:将MF层和LSTM层输出的向量进行融合。
模型训练模块,用于通过互联网已公开的数据集对步骤2得到的模型进行训练。
反馈修正模块用于根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正,具体为,若基于用户y推荐的物品被元用户交互,则根据交互的等级进行正反馈修正,若基于用户y推荐的物品未被元用户交互,则进行负反馈修正。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有多平台融合的深度学习推荐程序指令,所述多平台融合的深度学习推荐指令可被一个或者多个处理器执行,以实现如上所述的多平台融合的深度学习推荐方法的步骤。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于多平台融合的深度学习推荐方法,其特征在于包括以下步骤:
S1、多平台用户关系构建,具体为从通用的社交平台和/或特定领域采集用户及交互关系,从而构建用户之间社交关系,用户之间社交关系分为一级好友和二级好友;
S2、矩阵分解神经协同过滤模型的构建,由S1得到的好友用户以及物品集合作为模型的输入层输入;通过 MF 嵌入层和 LSTM 嵌入层映射成输入到 MF 层和 LSTM 层的用户和物品特征向量,好友用户集合以及物品集合通过时间排序;进行矩阵分解:通过嵌入层得到好友用户特征向量和物品特征向量,定义神经协同过滤模型中的第一层的映射函数,然后映射向量到输出层;构建长短期记忆网络:通过 LSTM 来捕获用户和物品的时间依赖性,对时序信息循环计算以挖掘上下文关系,通过构造用户状态和物品状态进行自回归计算,对推荐系统中的用户行为序列进行分析,模型通过上一时刻的用户和物品状态预测此时的用户和物品状态,然后预测此时用户和物品进行交互地可能性;建立输出层:将 MF 层和LSTM层输出的向量进行融合;
S3:对模型进行训练,通过互联网已公开的数据集对S2得到的模型进行训练;
S4:对训练完成的模型进行反馈修正,根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正,具体为,若基于用户y推荐的物品被元用户交互,则根据交互的等级进行正反馈修正,若基于用户y推荐的物品未被元用户交互,则进行负反馈修正。
2.根据权利要求1所述的基于多平台融合的深度学习推荐方法,其特征在于,所述步骤S1具体包括:一级好友采用直接获取的方式获取用户信息;通过用户注册账号所用邮箱或者手机号码获取其在其他平台的直接好友信息;二级好友采用挖掘好友方式获取。
3.根据权利要求2所述的基于多平台融合的深度学习推荐方法,其特征在于,所述挖掘好友方式包括:
其中:aij表示用户了对物品i是否产生交互行为,若产生交互则赋值1,否则为0,权重矩阵根据点击,浏览,收藏,购买,评价几种交互类型依次设置赋值分别为1-5,若用户仅点击该物品,没有进行后续操作,则赋值1,如果用户进行了浏览,但没有收藏,购买和评价,则赋值2,若用户进行了收藏,但未购买和评价,则赋值3,若用户进行了购买,但未评价,则赋值4,若用户在购买后进行了评价,则赋值5;用户x,y之间的兴趣相似度为:
7.根据权利要求1所述的基于多平台融合的深度学习推荐方法,特征在于,所述网络采用Sigmoid作为激活函数。
8.根据权利要求1所述的基于多平台融合的深度学习推荐方法,特征在于,所述步骤S2中采用对数损失函数学习h进行优化。
9.一种如权利要求1-8任意项所述的基于多平台融合的深度学习推荐方法的系统,其特征在于,所述系统包括:
多平台好友挖掘模块,其用于多平台用户关系构建,具体为从通用的社交平台和/或特定领域采集用户及信任关系,从而构建用户之间社交关系,用户之间社交关系分为一级好友和二级好友;
矩阵分解神经协同过滤模型构建模块,其用于通过 MF 嵌入层和 LSTM 嵌入层映射成输入到 MF 层和 LSTM 层的用户和物品特征向量;
进行矩阵分解:通过嵌入层得到好友用户特征向量和物品特征向量,定义神经协同过滤模型中的第一层的映射函数,然后映射向量到输出层、
构建长短期记忆网络:通过 LSTM 来捕获用户和物品的时间依赖性,对时序信息循环计算以挖掘上下文关系,通过构造用户状态和物品状态进行自回归计算,对推荐系统中的用户行为序列进行分析,模型通过上一时刻的用户和物品状态预测此时的用户和物品状态,然后预测此时用户和物品进行交互地可能性;
建立输出层:将 MF 层和LSTM 层输出的向量进行融合;
模型训练模块,用于通过互联网已公开的数据集对步骤S2得到的模型进行训练;
反馈修正模块用于根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正,具体为,若基于用户y推荐的物品被元用户交互,则根据交互的等级进行正反馈修正,若基于用户y推荐的物品未被元用户交互,则进行负反馈修正。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于多平台融合的深度学习推荐方法的数据加密程序指令,所述基于多平台融合的深度学习推荐方法的数据加密程序指令可被一个或多个处理器执行,以实现如权利要求1-8之一所述的基于多平台融合的深度学习推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164631.1A CN114547480A (zh) | 2022-02-22 | 2022-02-22 | 一种基于多平台融合的深度学习推荐方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164631.1A CN114547480A (zh) | 2022-02-22 | 2022-02-22 | 一种基于多平台融合的深度学习推荐方法以及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114547480A true CN114547480A (zh) | 2022-05-27 |
Family
ID=81677353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164631.1A Pending CN114547480A (zh) | 2022-02-22 | 2022-02-22 | 一种基于多平台融合的深度学习推荐方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547480A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738072A (zh) * | 2023-08-15 | 2023-09-12 | 深圳大学 | 一种结合人因信息的多维推荐方法 |
-
2022
- 2022-02-22 CN CN202210164631.1A patent/CN114547480A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738072A (zh) * | 2023-08-15 | 2023-09-12 | 深圳大学 | 一种结合人因信息的多维推荐方法 |
CN116738072B (zh) * | 2023-08-15 | 2023-11-14 | 深圳大学 | 一种结合人因信息的多维推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10783361B2 (en) | Predictive analysis of target behaviors utilizing RNN-based user embeddings | |
CN109508419B (zh) | 一种基于知识学习的推荐方法和系统 | |
CN111931062B (zh) | 一种信息推荐模型的训练方法和相关装置 | |
CN108460619B (zh) | 一种提供融合显隐式反馈的协同推荐模型的方法 | |
US9183270B2 (en) | Social genome | |
CN110442790A (zh) | 推荐多媒体数据的方法、装置、服务器和存储介质 | |
CN111881350B (zh) | 一种基于混合图结构化建模的推荐方法与系统 | |
CN111444428A (zh) | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 | |
CN111026971A (zh) | 内容的推送方法及装置、计算机存储介质 | |
CN108595533B (zh) | 一种基于协同过滤的物品推荐方法、存储介质及服务器 | |
CN110910218A (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
CN111159570B (zh) | 一种信息推荐方法及服务器 | |
CN112559878B (zh) | 一种基于图神经网络的序列推荐系统及推荐方法 | |
CN111506821B (zh) | 推荐模型、方法、装置、设备及存储介质 | |
CN111723292A (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
CN110069713B (zh) | 一种基于用户上下文感知的个性化推荐方法 | |
CN108182268B (zh) | 一种基于社会网络的协同过滤推荐方法及系统 | |
CN114595383A (zh) | 一种基于会话序列的海洋环境数据推荐方法及系统 | |
CN113344648B (zh) | 一种基于机器学习的广告推荐方法及系统 | |
CN113641811B (zh) | 促进购买行为的会话推荐方法、系统、设备及存储介质 | |
CN114547480A (zh) | 一种基于多平台融合的深度学习推荐方法以及系统 | |
WO2020135420A1 (zh) | 对用户进行分类的方法和装置 | |
CN109299368B (zh) | 一种用于环境信息资源ai智能个性化推荐的方法及系统 | |
CN109446432A (zh) | 一种信息推荐方法及装置 | |
CN109710853B (zh) | 一种人工智能分类匹配方法及系统 |
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 |