CN114581161B - 一种基于深度学习的信息推送方法和系统 - Google Patents

一种基于深度学习的信息推送方法和系统 Download PDF

Info

Publication number
CN114581161B
CN114581161B CN202210483164.9A CN202210483164A CN114581161B CN 114581161 B CN114581161 B CN 114581161B CN 202210483164 A CN202210483164 A CN 202210483164A CN 114581161 B CN114581161 B CN 114581161B
Authority
CN
China
Prior art keywords
matrix
vector
interest
distance
access
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.)
Active
Application number
CN202210483164.9A
Other languages
English (en)
Other versions
CN114581161A (zh
Inventor
邓露露
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.)
Fuzhou Zhangzhong Cloud Technology Co ltd
Original Assignee
Shenzhen Mingluofeng Technology Co ltd
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 Shenzhen Mingluofeng Technology Co ltd filed Critical Shenzhen Mingluofeng Technology Co ltd
Priority to CN202210483164.9A priority Critical patent/CN114581161B/zh
Publication of CN114581161A publication Critical patent/CN114581161A/zh
Application granted granted Critical
Publication of CN114581161B publication Critical patent/CN114581161B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于深度学习的信息推送方法，包括如下步骤：构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；通过将感兴趣物品的访问矩阵、距离邻近矩阵和种类关联矩阵进行分解，得到访问矩阵的隐含因子矩阵、距离邻近矩阵的隐含因子矩阵和种类关联矩阵的隐含因子矩阵，并得到感兴趣物品的访问潜在向量，感兴趣物品的距离潜在向量；感兴趣物品的种类潜在向量；计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送；本发明方法提升了推荐的准确性和合理性。

Description

一种基于深度学习的信息推送方法和系统
技术领域
本发明涉及信息推荐领域，特别是指一种基于深度学习的信息推送方法和系统。
背景技术
互联网的高速发展和移动电子设备的普及，给人们的生活带来了前所未有的改变。人们可以突破时间和空间的限制，自由获取海量的在线信息资源。互联网在促进生活方便的同时，也给人们带来了信息过载的困扰。推荐系统应运而生，作为解决信息过载问题的最有效工具，被广泛的应用于生活的各方面。推荐系统不仅帮助在线用户从海量的信息中发掘有用的信息、发现潜在感兴趣的物品和服务，还帮助内容提供商和生产者提高物品的曝光度、增加销量和保持用户黏度。
但目前的推荐方法还存在这推荐不合理以及推荐不够合理的问题。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于深度学习的信息推送方法和系统，首先通过矩阵的构造和分解，得出感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量，并通过神经网络推荐模型得出推荐结果，提升了推荐的准确性和合理性。
一种基于深度学习的信息推送方法，包括如下步骤：
构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；
通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；
通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；
通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；
基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；
将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送。
具体地，构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵，具体为：
初始化感兴趣物品的访问矩阵
Figure 75281DEST_PATH_IMAGE001
，其中，n为感兴趣物品个数，并将初始值设置为0，对于每一个客户
Figure 588302DEST_PATH_IMAGE002
，统计得到该客户访问过的感兴趣物品的集合
Figure 862288DEST_PATH_IMAGE003
，对于集合
Figure 118957DEST_PATH_IMAGE003
中的每个感兴趣物品v，将该感兴趣物品v在访问矩阵
Figure 162000DEST_PATH_IMAGE004
中对应的对角线元素的值
Figure 845922DEST_PATH_IMAGE005
,加1；
初始化距离邻近矩阵
Figure 341625DEST_PATH_IMAGE006
，并将初始值设置为0，计算出感兴趣物品之间的量化距离，并与距离阈值比较，若量化距离小于距离阈值，将在矩阵
Figure 401985DEST_PATH_IMAGE007
中对应元素置1，否则置0；
初始化种类关联矩阵
Figure 299534DEST_PATH_IMAGE008
，并将初始值设置为0，对比任意两个感兴趣物品的类别来确定矩阵
Figure 419937DEST_PATH_IMAGE009
中各个元素的值，类别相同时，矩阵
Figure 668516DEST_PATH_IMAGE009
中相应元素置1，否则置0。
具体地，通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量，具体为：
Figure DEST_PATH_IMAGE010
其中，
Figure 204670DEST_PATH_IMAGE011
是对访问矩阵分解得到的隐含因子矩阵，
Figure 691146DEST_PATH_IMAGE012
为
Figure 716871DEST_PATH_IMAGE013
中访问潜在向量的维度，
Figure 187167DEST_PATH_IMAGE014
表示访问矩阵的Frobenius范数，
Figure 323750DEST_PATH_IMAGE015
为正则化参数；
具体地，通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量，具体为：
Figure 930312DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
是对距离邻近矩阵分解得到的隐含因子矩阵，
Figure 861359DEST_PATH_IMAGE018
为
Figure 565090DEST_PATH_IMAGE019
中距离潜在向量的维度，
Figure 36523DEST_PATH_IMAGE020
表示距离邻近矩阵的Frobenius范数，
Figure 28749DEST_PATH_IMAGE021
为距离邻近矩阵的正则项参数。
具体地，通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量，具体为：
Figure 396277DEST_PATH_IMAGE022
其中，
Figure 841165DEST_PATH_IMAGE023
是对种类关联矩阵分解得到的隐含因子矩阵，
Figure DEST_PATH_IMAGE024
为
Figure 53971DEST_PATH_IMAGE025
中种类潜在向量的维度，
Figure 635125DEST_PATH_IMAGE026
表示种类关联矩阵的Frobenius范数，
Figure 704713DEST_PATH_IMAGE027
为种类关联矩阵的正则项参数；
具体地，基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；具体为：
感兴趣物品特征向量：
Figure 371317DEST_PATH_IMAGE028
其中，
Figure 918973DEST_PATH_IMAGE029
是感兴趣物品的访问潜在向量，
Figure 885792DEST_PATH_IMAGE030
感兴趣物品的距离潜在向量，
Figure DEST_PATH_IMAGE031
感兴趣物品的种类潜在向量；
客户特征向量：
Figure 798385DEST_PATH_IMAGE032
其中，
Figure 483444DEST_PATH_IMAGE003
是用户
Figure 569211DEST_PATH_IMAGE033
访问过的感兴趣物品的集合，
Figure 859379DEST_PATH_IMAGE034
为用户
Figure 474031DEST_PATH_IMAGE033
访问过的感兴趣物品的数量；
时间上下文特征向量：
Figure 115228DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE036
表示在时间上下文
Figure 473528DEST_PATH_IMAGE037
中被访问过的感兴趣物品的集合，
Figure 149360DEST_PATH_IMAGE038
表示被访问过的感兴趣物品的数量；
序次上下文特征向量：
Figure 466071DEST_PATH_IMAGE039
其中，
Figure DEST_PATH_IMAGE040
表示被至少一次以上连续访问的感兴趣物品的集合，
Figure 797827DEST_PATH_IMAGE041
表示被至少一次以上连续访问的感兴趣物品的数量。
具体地，所述神经网络推荐模型，具体为：
Figure 490976DEST_PATH_IMAGE042
Figure 21315DEST_PATH_IMAGE043
Figure 774507DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
是神经网络推荐模型的输入层的特征向量，
Figure 593559DEST_PATH_IMAGE046
是神经网络推荐模型中第i层隐含层的输出向量，
Figure 824820DEST_PATH_IMAGE047
是神经网络推荐模型用于u在时刻t对感兴趣物品v的访问预测结果，L为隐含层个数，
Figure 475244DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE049
为第i层隐含层的权重矩阵、偏移向量；
Figure 337021DEST_PATH_IMAGE050
和
Figure DEST_PATH_IMAGE051
为神经网络推荐模型输出层的权重矩阵、偏移向量，
Figure 908948DEST_PATH_IMAGE052
为激活函数，
Figure DEST_PATH_IMAGE053
为整流线性函数。
本发明实施例另一方面提供一种基于深度学习的信息推送系统， 包括：
矩阵构造单元：构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；
访问潜在向量获取单元：通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；
距离潜在向量获取单元：通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；
种类潜在向量获取单元：通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；
特征向量获取单元：基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；
推荐结果获取单元：将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送。
本发明再一实施例提供一种电子设备，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述一种基于深度学习的信息推送方法步骤。
本发明又一实施例提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于深度学习的信息推送方法步骤。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明提出了一种基于深度学习的信息推送方法，首先构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送；本发明提供的方法，首先通过矩阵的构造和分解，得出感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量，并通过神经网络推荐模型得出推荐结果，提升了推荐的准确性和合理性。
附图说明
图1为本发明实施例提供的一种基于深度学习的信息推送方法流程图；
图2为本发明实施例提供的一种基于深度学习的信息推送系统结构图；
图3为本发明实施例提供的一种电子设备的实施例示意图；
图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
具体实施方式
本发明提出了一种基于深度学习的信息推送方法，首先通过矩阵的构造和分解，得出感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量，并通过神经网络推荐模型得出推荐结果，提升了推荐的准确性和合理性。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
如图1，为本发明实施例提供的一种基于深度学习的信息推送方法，包括如下步骤：
S101：构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；
本发明构建感兴趣物品的访问矩阵，用于建立感兴趣物品在用户访问模式上的关联，访问矩阵中对角线元素的值越高，表明频繁被同时访问，存在的关联也就越强，访问矩阵实际上表现了感兴趣物品在用户访问上的关联。
通过距离邻近矩阵来表征感兴趣物品之间的量化距离的远近，并同时设定了距离阈值进行比较，若量化距离小于距离阈值，则表明为两感兴趣物品相似。
种类关联矩阵是表明种类之间的关系而构造是矩阵，只有是同类别，矩阵中的元素才是1，其余均为0。
具体地，构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵，具体为：
初始化感兴趣物品的访问矩阵
Figure 412741DEST_PATH_IMAGE001
，其中，n为感兴趣物品个数，并将初始值设置为0，对于每一个客户
Figure 652093DEST_PATH_IMAGE002
，统计得到该客户访问过的感兴趣物品的集合
Figure 481508DEST_PATH_IMAGE003
，对于集合
Figure 71890DEST_PATH_IMAGE003
中的每个感兴趣物品v，将该感兴趣物品v在访问矩阵
Figure 379374DEST_PATH_IMAGE004
中对应的对角线元素的值
Figure 738811DEST_PATH_IMAGE005
,加1；
初始化距离邻近矩阵
Figure 4708DEST_PATH_IMAGE006
，并将初始值设置为0，计算出感兴趣物品之间的量化距离，并与距离阈值比较，若量化距离小于距离阈值，将在矩阵
Figure 816806DEST_PATH_IMAGE007
中对应元素置1，否则置0；
初始化种类关联矩阵
Figure 927981DEST_PATH_IMAGE008
，并将初始值设置为0，对比任意两个感兴趣物品的类别来确定矩阵
Figure 407504DEST_PATH_IMAGE009
中各个元素的值，类别相同时，矩阵
Figure 844302DEST_PATH_IMAGE009
中相应元素置1，否则置0。
S102：通过将感兴趣物品的访问矩阵进行分解，其实质是映射到一个低秩的特征向量空间，得到的分解后低秩矩阵即为访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；
具体为：
Figure 131977DEST_PATH_IMAGE010
其中，
Figure 312423DEST_PATH_IMAGE011
是对访问矩阵分解得到的隐含因子矩阵，
Figure 646452DEST_PATH_IMAGE012
为
Figure 988572DEST_PATH_IMAGE013
中访问潜在向量的维度，
Figure 775262DEST_PATH_IMAGE014
表示访问矩阵的Frobenius范数，
Figure 493820DEST_PATH_IMAGE015
为正则化参数；前半部分通过最小化原始矩阵
Figure 947935DEST_PATH_IMAGE004
与近似矩阵
Figure 726535DEST_PATH_IMAGE054
之间的误差来最优化隐含因子矩阵
Figure 734942DEST_PATH_IMAGE013
，后半部分则通过加入正则项来放置隐含因子矩阵过渡拟合感兴趣物品的访问矩阵中的噪声，隐含因子矩阵
Figure 991611DEST_PATH_IMAGE013
的优化可以通过常用的最优化算法如随机梯度下降等予以实现。
S103：通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；
对距离邻近矩阵采用了同样的对称矩阵分解方法：
Figure 34654DEST_PATH_IMAGE016
其中，
Figure 984155DEST_PATH_IMAGE017
是对距离邻近矩阵分解得到的隐含因子矩阵，
Figure 11017DEST_PATH_IMAGE018
为
Figure 805798DEST_PATH_IMAGE019
中距离潜在向量的维度，
Figure 968926DEST_PATH_IMAGE020
表示距离邻近矩阵的Frobenius范数，
Figure 823749DEST_PATH_IMAGE021
为距离邻近矩阵的正则项参数，用于控制正则项的影响。
距离邻近矩阵做对称矩阵分解可以将感兴趣物品在现实世界中的关系转到特征空间当中，令关系邻近的感兴趣物品在特征空间中的潜在向量也具有较高的相似度。
S104：通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；
与前面两个特征矩阵的分解类似，对于种类关联矩阵的分解实际上建立感兴趣物品在种类上的关联，即我们希望属于相同种类物品，在向量表达上具有更高的相似度，具体为：
Figure 72328DEST_PATH_IMAGE022
其中，
Figure 670799DEST_PATH_IMAGE023
是对种类关联矩阵分解得到的隐含因子矩阵，
Figure 688434DEST_PATH_IMAGE024
为
Figure 448580DEST_PATH_IMAGE025
中种类潜在向量的维度，
Figure 184455DEST_PATH_IMAGE026
表示种类关联矩阵的Frobenius范数，
Figure 852196DEST_PATH_IMAGE027
为种类关联矩阵的正则项参数。
S105：基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；
具体地，基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；具体为：
感兴趣物品特征向量：
Figure 724337DEST_PATH_IMAGE055
其中，
Figure 186543DEST_PATH_IMAGE029
是感兴趣物品的访问潜在向量，
Figure 144134DEST_PATH_IMAGE030
感兴趣物品的距离潜在向量，
Figure 349988DEST_PATH_IMAGE031
感兴趣物品的种类潜在向量；通过将这三个潜在向量拼接成感兴趣物品的特征向量，使得推荐算法在推荐过程中可以同时利用感兴趣物品的用户反馈信息、邻近信息以及内容信息，从而起到了缓解数据稀疏和物品冷启动问题的作用。
客户特征向量：
Figure 342215DEST_PATH_IMAGE056
其中，
Figure 975321DEST_PATH_IMAGE003
是用户
Figure 420209DEST_PATH_IMAGE033
访问过的感兴趣物品的集合，
Figure 164174DEST_PATH_IMAGE034
为用户
Figure 10907DEST_PATH_IMAGE033
访问过的感兴趣物品的数量；也就是对该用户访问过的所有感兴趣物品特征向量做平均池化，从而得到客户特征向量，方面可以将所有客户都表示成定长的向量形式，另一方面拥有相似访问记录的用户之间的通过这种池化的计算方式也能拥有比较接近的特征向量，从而进一步建立起了客户之间的关联。
时间上下文特征向量：
Figure 80495DEST_PATH_IMAGE057
Figure 747099DEST_PATH_IMAGE036
表示在时间上下文
Figure 560334DEST_PATH_IMAGE037
中被访问过的感兴趣物品的集合，
Figure 995995DEST_PATH_IMAGE038
表示被访问过的感兴趣物品的数量；通过将时间上下文表示成定长的特征向量，同时有相似感兴趣物品签到分布的时间上下文在特征向量上也会更加的相似。
序次上下文特征向量：
Figure 236483DEST_PATH_IMAGE058
其中，
Figure 390384DEST_PATH_IMAGE040
表示被至少一次以上连续访问的感兴趣物品的集合，
Figure 476152DEST_PATH_IMAGE041
表示被至少一次以上连续访问的感兴趣物品的数量。
将特征向量进行了拼接，从而得到了完整的序列上下文的特征向量表示，同时考虑了连续访问中前一个访问感兴趣物品的自身特征以及转移趋势。
S106：将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送。
具体地，所述神经网络推荐模型，具体为：
Figure 31898DEST_PATH_IMAGE042
Figure 443288DEST_PATH_IMAGE043
Figure 350064DEST_PATH_IMAGE044
其中，
Figure 505102DEST_PATH_IMAGE045
是神经网络推荐模型的输入层的特征向量，
Figure 649775DEST_PATH_IMAGE046
是神经网络推荐模型中第i层隐含层的输出向量，
Figure 700908DEST_PATH_IMAGE047
是神经网络推荐模型用于u在时刻t对感兴趣物品v的访问预测结果，L为隐含层个数，
Figure 829401DEST_PATH_IMAGE048
和
Figure 522551DEST_PATH_IMAGE049
为第i层隐含层的权重矩阵、偏移向量；
Figure 52889DEST_PATH_IMAGE050
和
Figure 540502DEST_PATH_IMAGE051
为神经网络推荐模型输出层的权重矩阵、偏移向量，
Figure 421871DEST_PATH_IMAGE052
为激活函数，
Figure 711771DEST_PATH_IMAGE053
为整流线性函数。
具体地，网络的每一个隐含层都通过引入权重矩阵Ｆ和偏移向量b来建模特征在不同层次上的交互，隐含层的激活函数
Figure 362195DEST_PATH_IMAGE059
进一步在模型中引入了非线性，从而可以学习特征在不同层次间的非线性映射，采用在深度神经网络中经常使用的整流线性单元ReLU，此前的研宄表明ReLU可以有效地加快深度神经网络的收敛速度并缓解模型训练中的梯度消失问题。
如图2，本发明实施例另一方面提供一种基于深度学习的信息推送系统，包括如下：
矩阵构造单元201：构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；
本发明构建感兴趣物品的访问矩阵，用于建立感兴趣物品在用户访问模式上的关联，访问矩阵中对角线元素的值越高，表明频繁被同时访问，存在的关联也就越强，访问矩阵实际上表现了感兴趣物品在用户访问上的关联。
通过距离邻近矩阵来表征感兴趣物品之间的量化距离的远近，并同时设定了距离阈值进行比较，若量化距离小于距离阈值，则表明为两感兴趣物品相似。
种类关联矩阵是表明种类之间的关系而构造是矩阵，只有是同类别，矩阵中的元素才是1，其余均为0。
具体地，构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵，具体为：
初始化感兴趣物品的访问矩阵
Figure 20710DEST_PATH_IMAGE001
，其中，n为感兴趣物品个数，并将初始值设置为0，对于每一个客户
Figure 123795DEST_PATH_IMAGE002
，统计得到该客户访问过的感兴趣物品的集合
Figure 158747DEST_PATH_IMAGE003
，对于集合
Figure 663678DEST_PATH_IMAGE003
中的每个感兴趣物品v，将该感兴趣物品v在访问矩阵
Figure 493094DEST_PATH_IMAGE004
中对应的对角线元素的值
Figure 83475DEST_PATH_IMAGE005
,加1；
初始化距离邻近矩阵
Figure 656539DEST_PATH_IMAGE006
，并将初始值设置为0，计算出感兴趣物品之间的量化距离，并与距离阈值比较，若量化距离小于距离阈值，将在矩阵
Figure 281555DEST_PATH_IMAGE007
中对应元素置1，否则置0；
初始化种类关联矩阵
Figure 281872DEST_PATH_IMAGE008
，并将初始值设置为0，对比任意两个感兴趣物品的类别来确定矩阵
Figure 359550DEST_PATH_IMAGE009
中各个元素的值，类别相同时，矩阵
Figure 736304DEST_PATH_IMAGE009
中相应元素置1，否则置0。
访问潜在向量获取单元202：通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；
具体地，通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量，具体为：
Figure 950248DEST_PATH_IMAGE010
其中，
Figure 121466DEST_PATH_IMAGE011
是对访问矩阵分解得到的隐含因子矩阵，
Figure 686440DEST_PATH_IMAGE012
为
Figure 866885DEST_PATH_IMAGE013
中访问潜在向量的维度，
Figure 200915DEST_PATH_IMAGE014
表示访问矩阵的Frobenius范数，
Figure 543034DEST_PATH_IMAGE015
为正则化参数，前半部分通过最小化原始矩阵
Figure 329725DEST_PATH_IMAGE004
与近似矩阵
Figure 48282DEST_PATH_IMAGE054
之间的误差来最优化隐含因子矩阵
Figure 971239DEST_PATH_IMAGE013
，后半部分则通过加入正则项来放置隐含因子矩阵过渡拟合感兴趣物品的访问矩阵中的噪声，隐含因子矩阵
Figure 484260DEST_PATH_IMAGE013
的优化可以通过常用的最优化算法如随机梯度下降等予以实现。
距离潜在向量获取单元203：通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；
具体地，通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量，具体为：
Figure 23825DEST_PATH_IMAGE016
其中，
Figure 546074DEST_PATH_IMAGE017
是对距离邻近矩阵分解得到的隐含因子矩阵，
Figure 854695DEST_PATH_IMAGE018
为
Figure 538617DEST_PATH_IMAGE019
中距离潜在向量的维度，
Figure 565479DEST_PATH_IMAGE020
表示距离邻近矩阵的Frobenius范数，
Figure 625839DEST_PATH_IMAGE021
为距离邻近矩阵的正则项参数用于控制正则项的影响。
距离邻近矩阵做对称矩阵分解可以将感兴趣物品在现实世界中的关系转到特征空间当中，令关系邻近的感兴趣物品在特征空间中的潜在向量也具有较高的相似度。
种类潜在向量获取单元204：通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；
与前面两个特征矩阵的分解类似，对于种类关联矩阵的分解实际上建立感兴趣物品在种类上的关联，即我们希望属于相同种类物品，在向量表达上具有更高的相似度，具体为：
Figure 523388DEST_PATH_IMAGE022
其中，
Figure 909370DEST_PATH_IMAGE023
是对种类关联矩阵分解得到的隐含因子矩阵，
Figure 892370DEST_PATH_IMAGE024
为
Figure 756420DEST_PATH_IMAGE025
中种类潜在向量的维度，
Figure 39634DEST_PATH_IMAGE026
表示种类关联矩阵的Frobenius范数，
Figure 65359DEST_PATH_IMAGE027
为种类关联矩阵的正则项参数。
特征向量获取单元205：基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；
具体地，基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；具体为：
感兴趣物品特征向量：
Figure 801234DEST_PATH_IMAGE055
其中，
Figure 203396DEST_PATH_IMAGE029
是感兴趣物品的访问潜在向量，
Figure 341117DEST_PATH_IMAGE030
感兴趣物品的距离潜在向量，
Figure 537743DEST_PATH_IMAGE031
感兴趣物品的种类潜在向量，通过将这三个潜在向量拼接成感兴趣物品的特征向量，使得推荐算法在推荐过程中可以同时利用感兴趣物品的用户反馈信息、邻近信息以及内容信息，从而起到了缓解数据稀疏和物品冷启动问题的作用；
客户特征向量：
Figure 760914DEST_PATH_IMAGE056
其中，
Figure 966767DEST_PATH_IMAGE003
是用户
Figure 693415DEST_PATH_IMAGE033
访问过的感兴趣物品的集合，
Figure 326521DEST_PATH_IMAGE034
为用户
Figure 36988DEST_PATH_IMAGE033
访问过的感兴趣物品的数量；也就是对该用户访问过的所有感兴趣物品特征向量做平均池化，从而得到客户特征向量，方面可以将所有客户都表示成定长的向量形式，另一方面拥有相似访问记录的用户之间的通过这种池化的计算方式也能拥有比较接近的特征向量，从而进一步建立起了客户之间的关联。
时间上下文特征向量：
Figure 515374DEST_PATH_IMAGE035
Figure 96528DEST_PATH_IMAGE036
表示在时间上下文
Figure 900536DEST_PATH_IMAGE037
中被访问过的感兴趣物品的集合，
Figure 98299DEST_PATH_IMAGE038
表示被访问过的感兴趣物品的数量；通过将时间上下文表示成定长的特征向量，同时有相似感兴趣物品签到分布的时间上下文在特征向量上也会更加的相似。
序次上下文特征向量：
Figure 645955DEST_PATH_IMAGE039
其中，
Figure 347195DEST_PATH_IMAGE040
表示被至少一次以上连续访问的感兴趣物品的集合，
Figure 587684DEST_PATH_IMAGE041
表示被至少一次以上连续访问的感兴趣物品的数量；将特征向量进行了拼接，从而得到了完整的序列上下文的特征向量表示，同时考虑了连续访问中前一个访问感兴趣物品的自身特征以及转移趋势。
推荐结果获取单元206：将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送。
具体地，所述神经网络推荐模型，具体为：
Figure 729866DEST_PATH_IMAGE042
Figure 815633DEST_PATH_IMAGE043
Figure 636959DEST_PATH_IMAGE044
其中，
Figure 48349DEST_PATH_IMAGE045
是神经网络推荐模型的输入层的特征向量，
Figure 689545DEST_PATH_IMAGE046
是神经网络推荐模型中第i层隐含层的输出向量，
Figure 579004DEST_PATH_IMAGE047
是神经网络推荐模型用于u在时刻t对感兴趣物品v的访问预测结果，L为隐含层个数，
Figure 520415DEST_PATH_IMAGE048
和
Figure 837127DEST_PATH_IMAGE049
为第i层隐含层的权重矩阵、偏移向量；
Figure 231199DEST_PATH_IMAGE050
和
Figure 658770DEST_PATH_IMAGE051
为神经网络推荐模型输出层的权重矩阵、偏移向量；
具体地，网络的每一个隐含层都通过引入权重矩阵Ｆ和偏移向量６来建模特征在不同层次上的交互，隐含层的激活函数
Figure 923529DEST_PATH_IMAGE059
进一步在模型中引入了非线性，从而可以学习特征在不同层次间的非线性映射，采用在深度神经网络中经常使用的整流线性单元ReLU，此前的研宄表明ReLU可以有效地加快深度神经网络的收敛速度并缓解模型训练中的梯度消失问题。
如图3所示，本发明实施例提供了一种电子设备300，包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序311，处理器320执行计算机程序311时实现本发明实施例提供的一种基于深度学习的信息推送方法。
在具体实施过程中，处理器320执行计算机程序311时，可以实现图1对应的实施例中任一实施方式。
由于本实施例所介绍的电子设备为实施本发明实施例中一种数据处理装置所采用的设备，故而基于本发明实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本发明实施例中的方法不再详细介绍，只要本领域所属技术人员实施本发明实施例中的方法所采用的设备，都属于本发明所欲保护的范围。
请参阅图4，图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
如图4所示，本实施例提供了一种计算机可读存储介质400，其上存储有计算机程序401，该计算机程序401被处理器执行时实现本发明实施例提供的一种基于深度学习的信息推送方法；
在具体实施过程中，该计算机程序401被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明提出了一种基于深度学习的信息推送方法，首先构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送；本发明提供的方法，首先通过矩阵的构造和分解，得出感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量，并通过神经网络推荐模型得出推荐结果，提升了推荐的准确性和合理性。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围行为。

Claims (4)

1.一种基于深度学习的信息推送方法，其特征在于，包括如下步骤：
构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；
通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；
通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；
通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；
基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；
将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送；
构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵，具体为：初始化感兴趣物品的访问矩阵
Figure DEST_PATH_IMAGE001
，其中，n为感兴趣物品个数，并将初始值设置为0，对于每一个客户
Figure 425498DEST_PATH_IMAGE002
，统计得到该客户访问过的感兴趣物品的集合
Figure DEST_PATH_IMAGE003
，对于集合
Figure 482230DEST_PATH_IMAGE003
中的每个感兴趣物品v，将该感兴趣物品v在访问矩阵
Figure 824349DEST_PATH_IMAGE004
中对应的对角线元素的值
Figure DEST_PATH_IMAGE005
,加1；
初始化距离邻近矩阵
Figure 486406DEST_PATH_IMAGE006
，并将初始值设置为0，计算出感兴趣物品之间的量化距离，并与距离阈值比较，若量化距离小于距离阈值，将在矩阵
Figure DEST_PATH_IMAGE007
中对应元素置1，否则置0；
初始化种类关联矩阵
Figure 204963DEST_PATH_IMAGE008
，并将初始值设置为0，对比任意两个感兴趣物品的类别来确定矩阵
Figure DEST_PATH_IMAGE009
中各个元素的值，类别相同时，矩阵
Figure 534445DEST_PATH_IMAGE009
中相应元素置1，否则置0；
通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量，具体为：
Figure DEST_PATH_IMAGE011
其中，
Figure 578624DEST_PATH_IMAGE012
是对访问矩阵分解得到的隐含因子矩阵，
Figure DEST_PATH_IMAGE013
为
Figure 993556DEST_PATH_IMAGE014
中访问潜在向量的维度，
Figure DEST_PATH_IMAGE015
表示访问矩阵的Frobenius范数，
Figure 719066DEST_PATH_IMAGE016
为正则化参数；
通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量，具体为：
Figure 762109DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
是对距离邻近矩阵分解得到的隐含因子矩阵，
Figure 914873DEST_PATH_IMAGE020
为
Figure DEST_PATH_IMAGE021
中距离潜在向量的维度，
Figure 941734DEST_PATH_IMAGE022
表示距离邻近矩阵的Frobenius范数，
Figure DEST_PATH_IMAGE023
为距离邻近矩阵的正则项参数；
通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量，具体为：
Figure DEST_PATH_IMAGE025
其中，
Figure 408619DEST_PATH_IMAGE026
是对种类关联矩阵分解得到的隐含因子矩阵，
Figure DEST_PATH_IMAGE027
为
Figure 712692DEST_PATH_IMAGE028
中种类潜在向量的维度，
Figure DEST_PATH_IMAGE029
表示种类关联矩阵的Frobenius范数，
Figure 36358DEST_PATH_IMAGE030
为种类关联矩阵的正则项参数；
基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；具体为：
感兴趣物品特征向量：
Figure 284936DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
是感兴趣物品的访问潜在向量，
Figure 148987DEST_PATH_IMAGE034
感兴趣物品的距离潜在向量，
Figure DEST_PATH_IMAGE035
感兴趣物品的种类潜在向量；
客户特征向量：
Figure DEST_PATH_IMAGE037
其中，
Figure 776409DEST_PATH_IMAGE003
是用户
Figure 67713DEST_PATH_IMAGE038
访问过的感兴趣物品的集合，
Figure DEST_PATH_IMAGE039
为用户
Figure 272429DEST_PATH_IMAGE038
访问过的感兴趣物品的数量；
时间上下文特征向量：
Figure DEST_PATH_IMAGE041
Figure 940171DEST_PATH_IMAGE042
表示在时间上下文
Figure DEST_PATH_IMAGE043
中被访问过的感兴趣物品的集合，
Figure 687678DEST_PATH_IMAGE044
表示被访问过的感兴趣物品的数量；
序次上下文特征向量：
Figure 477780DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
表示被至少一次以上连续访问的感兴趣物品的集合，
Figure 904213DEST_PATH_IMAGE048
表示被至少一次以上连续访问的感兴趣物品的数量；
所述神经网络推荐模型，具体为：
Figure 844487DEST_PATH_IMAGE050
Figure 774397DEST_PATH_IMAGE052
Figure 469820DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
是神经网络推荐模型的输入层的特征向量，
Figure 411031DEST_PATH_IMAGE056
是神经网络推荐模型中第i层隐含层的输出向量，
Figure DEST_PATH_IMAGE057
是神经网络推荐模型用于u在时刻t对感兴趣物品v的访问预测结果，L为隐含层个数，
Figure 623837DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE059
为第i层隐含层的权重矩阵、偏移向量；
Figure 877095DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE061
为神经网络推荐模型输出层的权重矩阵、偏移向量，
Figure 884366DEST_PATH_IMAGE062
为激活函数，
Figure DEST_PATH_IMAGE063
为整流线性函数。
2.一种基于深度学习的信息推送系统，其特征在于，包括：
矩阵构造单元：构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵；
访问潜在向量获取单元：通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量；
距离潜在向量获取单元：通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量；
种类潜在向量获取单元：通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量；
特征向量获取单元：基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；
推荐结果获取单元：将感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量输入训练好的神经网络推荐模型中，得到推荐结果，并进行推送；
构造感兴趣物品的访问矩阵，距离邻近矩阵以及种类关联矩阵，具体为：初始化感兴趣物品的访问矩阵
Figure 347708DEST_PATH_IMAGE001
，其中，n为感兴趣物品个数，并将初始值设置为0，对于每一个客户
Figure 833047DEST_PATH_IMAGE002
，统计得到该客户访问过的感兴趣物品的集合
Figure 596604DEST_PATH_IMAGE003
，对于集合
Figure 305934DEST_PATH_IMAGE003
中的每个感兴趣物品v，将该感兴趣物品v在访问矩阵
Figure 928676DEST_PATH_IMAGE004
中对应的对角线元素的值
Figure 76761DEST_PATH_IMAGE005
,加1；
初始化距离邻近矩阵
Figure 835769DEST_PATH_IMAGE006
，并将初始值设置为0，计算出感兴趣物品之间的量化距离，并与距离阈值比较，若量化距离小于距离阈值，将在矩阵
Figure 981580DEST_PATH_IMAGE007
中对应元素置1，否则置0；
初始化种类关联矩阵
Figure 685094DEST_PATH_IMAGE008
，并将初始值设置为0，对比任意两个感兴趣物品的类别来确定矩阵
Figure 308973DEST_PATH_IMAGE009
中各个元素的值，类别相同时，矩阵
Figure 188067DEST_PATH_IMAGE009
中相应元素置1，否则置0；
通过将感兴趣物品的访问矩阵进行分解，得到访问矩阵的隐含因子矩阵，并得到感兴趣物品在访问矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的访问潜在向量，具体为：
Figure 301517DEST_PATH_IMAGE011
其中，
Figure 633272DEST_PATH_IMAGE012
是对访问矩阵分解得到的隐含因子矩阵，
Figure 60843DEST_PATH_IMAGE013
为
Figure 653498DEST_PATH_IMAGE014
中访问潜在向量的维度，
Figure 875532DEST_PATH_IMAGE015
表示访问矩阵的Frobenius范数，
Figure 694583DEST_PATH_IMAGE016
为正则化参数；
通过将距离邻近矩阵进行分解，得到距离邻近矩阵的隐含因子矩阵，并得到感兴趣物品在距离邻近矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的距离潜在向量，具体为：
Figure 660265DEST_PATH_IMAGE018
其中，
Figure 373006DEST_PATH_IMAGE019
是对距离邻近矩阵分解得到的隐含因子矩阵，
Figure 234783DEST_PATH_IMAGE020
为
Figure 400185DEST_PATH_IMAGE021
中距离潜在向量的维度，
Figure 169558DEST_PATH_IMAGE022
表示距离邻近矩阵的Frobenius范数，
Figure 346593DEST_PATH_IMAGE023
为距离邻近矩阵的正则项参数；
通过将种类关联矩阵进行分解，得到种类关联矩阵的隐含因子矩阵，并得到感兴趣物品在种类关联矩阵的隐含因子矩阵中对应的行向量，称为感兴趣物品的种类潜在向量，具体为：
Figure 503904DEST_PATH_IMAGE025
其中，
Figure 94286DEST_PATH_IMAGE026
是对种类关联矩阵分解得到的隐含因子矩阵，
Figure 339453DEST_PATH_IMAGE027
为
Figure 26787DEST_PATH_IMAGE028
中种类潜在向量的维度，
Figure 433628DEST_PATH_IMAGE029
表示种类关联矩阵的Frobenius范数，
Figure 308044DEST_PATH_IMAGE030
为种类关联矩阵的正则项参数；
基于感兴趣物品的访问潜在向量、感兴趣物品的距离潜在向量和感兴趣物品的种类潜在向量，计算感兴趣物品特征向量、客户特征向量、时间上下文特征向量以及序次上下文特征向量；具体为：
感兴趣物品特征向量：
Figure 888061DEST_PATH_IMAGE064
其中，
Figure 102004DEST_PATH_IMAGE033
是感兴趣物品的访问潜在向量，
Figure 601119DEST_PATH_IMAGE034
感兴趣物品的距离潜在向量，
Figure 838196DEST_PATH_IMAGE035
感兴趣物品的种类潜在向量；
客户特征向量：
Figure 815379DEST_PATH_IMAGE037
其中，
Figure 149409DEST_PATH_IMAGE003
是用户
Figure 225949DEST_PATH_IMAGE038
访问过的感兴趣物品的集合，
Figure 950323DEST_PATH_IMAGE039
为用户
Figure 137722DEST_PATH_IMAGE038
访问过的感兴趣物品的数量；
时间上下文特征向量：
Figure DEST_PATH_IMAGE065
Figure 924326DEST_PATH_IMAGE042
表示在时间上下文
Figure 437347DEST_PATH_IMAGE043
中被访问过的感兴趣物品的集合，
Figure 773650DEST_PATH_IMAGE044
表示被访问过的感兴趣物品的数量；
序次上下文特征向量：
Figure 233581DEST_PATH_IMAGE046
其中，
Figure 276624DEST_PATH_IMAGE047
表示被至少一次以上连续访问的感兴趣物品的集合，
Figure 288442DEST_PATH_IMAGE048
表示被至少一次以上连续访问的感兴趣物品的数量；
所述神经网络推荐模型，具体为：
Figure 721829DEST_PATH_IMAGE050
Figure 782188DEST_PATH_IMAGE052
Figure 742054DEST_PATH_IMAGE054
其中，
Figure 596878DEST_PATH_IMAGE055
是神经网络推荐模型的输入层的特征向量，
Figure 783140DEST_PATH_IMAGE056
是神经网络推荐模型中第i层隐含层的输出向量，
Figure 709507DEST_PATH_IMAGE057
是神经网络推荐模型用于u在时刻t对感兴趣物品v的访问预测结果，L为隐含层个数，
Figure 195983DEST_PATH_IMAGE058
和
Figure 690550DEST_PATH_IMAGE059
为第i层隐含层的权重矩阵、偏移向量；
Figure 488741DEST_PATH_IMAGE060
和
Figure 625325DEST_PATH_IMAGE061
为神经网络推荐模型输出层的权重矩阵、偏移向量，
Figure 700728DEST_PATH_IMAGE062
为激活函数，
Figure 225250DEST_PATH_IMAGE063
为整流线性函数。
3.一种电子设备，其特征在于，包括：存储器，处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现权利要求1所述的方法步骤。
4.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1所述的方法步骤。
CN202210483164.9A 2022-05-06 2022-05-06 一种基于深度学习的信息推送方法和系统 Active CN114581161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210483164.9A CN114581161B (zh) 2022-05-06 2022-05-06 一种基于深度学习的信息推送方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210483164.9A CN114581161B (zh) 2022-05-06 2022-05-06 一种基于深度学习的信息推送方法和系统

Publications (2)

Publication Number Publication Date
CN114581161A CN114581161A (zh) 2022-06-03
CN114581161B true CN114581161B (zh) 2022-08-16

Family

ID=81784879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210483164.9A Active CN114581161B (zh) 2022-05-06 2022-05-06 一种基于深度学习的信息推送方法和系统

Country Status (1)

Country Link
CN (1) CN114581161B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241440A (zh) * 2018-09-29 2019-01-18 北京工业大学 一种基于深度学习的面向隐式反馈推荐方法
CN111127142A (zh) * 2019-12-16 2020-05-08 东北大学秦皇岛分校 一种基于广义神经注意力的物品推荐方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426686A (zh) * 2011-09-29 2012-04-25 南京大学 一种基于矩阵分解的互联网信息产品推荐方法
US11481652B2 (en) * 2015-06-23 2022-10-25 Gregory Knox System and method for recommendations in ubiquituous computing environments
US20170206551A1 (en) * 2016-01-15 2017-07-20 Adobe Systems Incorporated Personalized Recommendation Computation in Real Time using Incremental Matrix Factorization and User Factor Clustering
CN107273438B (zh) * 2017-05-24 2021-02-23 深圳大学 一种推荐方法、装置、设备及存储介质
CN110503508A (zh) * 2019-07-15 2019-11-26 电子科技大学 一种层级多粒度矩阵分解的物品推荐方法
US11532025B2 (en) * 2019-08-12 2022-12-20 International Business Machines Corporation Deep cognitive constrained filtering for product recommendation
CN111061961B (zh) * 2019-11-19 2023-05-26 江西财经大学 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统
CN111552852B (zh) * 2020-04-27 2021-09-28 北京交通大学 基于半离散矩阵分解的物品推荐方法
CN111949887B (zh) * 2020-08-31 2024-04-05 华东理工大学 物品推荐方法、装置及计算机可读存储介质
CN112632403B (zh) * 2020-12-24 2024-04-09 北京百度网讯科技有限公司 推荐模型的训练方法、推荐方法、装置、设备和介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241440A (zh) * 2018-09-29 2019-01-18 北京工业大学 一种基于深度学习的面向隐式反馈推荐方法
CN111127142A (zh) * 2019-12-16 2020-05-08 东北大学秦皇岛分校 一种基于广义神经注意力的物品推荐方法

Also Published As

Publication number Publication date
CN114581161A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Sharan et al. Temporal-relational classifiers for prediction in evolving domains
Bourigault et al. Learning social network embeddings for predicting information diffusion
Hu et al. Bayesian personalized ranking based on multiple-layer neighborhoods
CN112487199B (zh) 一种基于用户购买行为的用户特征预测方法
Zhou et al. PURE: Positive-unlabeled recommendation with generative adversarial network
CN110781409A (zh) 一种基于协同过滤的物品推荐方法
Hornick et al. Extending recommender systems for disjoint user/item sets: The conference recommendation problem
CN112800344B (zh) 一种基于深度神经网络的电影推荐方法
Rettinger et al. Context-aware tensor decomposition for relation prediction in social networks
Bai et al. Joint interaction with context operation for collaborative filtering
CN110413880B (zh) 基于用户人格分层结构的单分类协同过滤方法
CN113326384A (zh) 一种基于知识图谱的可解释推荐模型的构建方法
Zhang et al. Causal neural fuzzy inference modeling of missing data in implicit recommendation system
CN111339435A (zh) 一种基于潜在因子的矩阵分解补全混合推荐方法
US6529895B2 (en) Determining a distribution of a numeric variable
CN114581161B (zh) 一种基于深度学习的信息推送方法和系统
CN115687757A (zh) 融合层次注意与特征交互的推荐方法及其应用系统
Zhao et al. Fast weighted CP decomposition for context-aware recommendation with explicit and implicit feedback
Bahrkazemi et al. A strategy to estimate the optimal low-rank in incremental SVD-based algorithms for recommender systems
Gu et al. Robust and efficient algorithms for conversational contextual bandit
CN114491266A (zh) 一种物品推荐方法、装置以及存储介质
Degeest et al. Reading grid for feature selection relevance criteria in regression
CN116720005B (zh) 一种基于自适应噪声的数据协同对比推荐模型的系统
Tian et al. Collaborative filtering recommendation algorithm based on improved denoising auto encoder
Gnotthivongsa et al. Rating Prediction for Mobile Applications via Collective Matrix Factorization Considering App Categories

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230605

Address after: 16/F, Building 4, Zone F, Fuzhou Software Park, No. 89 Software Avenue, Gulou District, Fuzhou City, Fujian Province, 350001

Patentee after: Fuzhou Zhangzhong cloud Technology Co.,Ltd.

Address before: 518054 room 205, building 5, Shenzhen software industry base, No. 11, 13 and 15, Haitian 1st Road, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Patentee before: Shenzhen mingluofeng Technology Co.,Ltd.