[發明專利]一種采用深度特征匹配的推薦方法

在審

• 申請號: 201710112793.X
• 申請日: 2017-02-28
• 公開（公告）號: CN106933996A
• 公開（公告）日: 2017-07-07
• 發明（設計）人: 王國軍;戴穎龍;邢蕭飛;謝冬青
• 申請（專利權）人: 廣州大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 廣州三環專利商標代理有限公司44202
• 代理人: 郝傳鑫

1.一種采用深度特征匹配的推薦方法，其特征在于，包括如下步驟：

S1：通過用戶數據、資源數據建立人工神經網絡結構的模型，所述模型包括若干個層；

S2：定義所述模型的層數，每一層的神經元數目、每一所述層之間的連接方式、運算方法；

S3：通過將用戶數據、資源數據進行訓練，得到每一所述層之間的連接權值；

S4：通過輸入用戶數據、資源數據，采用所述模型計算，得到所述用戶對于所述資源的相似度量。

2.如權利要求1所述的推薦方法，其特征在于，在步驟S1中，進一步包括步驟S11：

將用戶數據轉換為n維的數值向量x₁、x₂…x_n，n≥1，將資源數據轉換為m維的數值向量y₁、y₂…y_m，m≥1；

將所述數值向量x₁、x₂…x_n，y₁、y₂…y_m分別轉換為二維矩陣形式的數值熱度圖，所述數值熱度圖為所述模型的輸入。

3.如權利要求2所述的推薦方法，其特征在于，在步驟S1中，所述運算方法包括加權運算、非線性運算。

4.如權利要求1所述的推薦方法，其特征在于，所述用戶數據包括用戶的性別、年齡、行業、瀏覽記錄和購買記錄；所述資源數據包括資源的內容、主題、新穎度、好評度、訪問量和購買量。

5.如權利要求1所述的推薦方法，其特征在于，所述步驟S3包括如下步驟：

S31：對所述用戶數據或所述資源數據進行逐層地編碼，并將用戶數據和資源數據映射到一個相同長度的數值向量所表示的特征空間；

S32：采用有監督式的學習方法進行訓練，通過相似度量的運算單元，確定頂層的用戶特征空間和資源特征空間的重合度。

6.如權利要求5所述的推薦方法，其特征在于，在步驟S31中，通過堆疊式的稀疏自編碼器或受限玻爾茲曼機，對所述用戶數據或所述資源數據進行逐層地編碼，并將用戶數據和資源數據映射到一個相同長度的數值向量所表示的特征空間。

7.如權利要求1所述的推薦方法，其特征在于，所述模型包括用戶數據的網絡結構、資源數據的網絡結構，所述用戶數據的網絡結構、所述資源數據的網絡結構均包括卷積層、池化層、全連接層，所述卷積層至少包括第一卷積層和第二卷積層，所述池化層至少包括第一池化層和第二池化層，所述全連接層至少包括第一全連接層、第二全連接層。

8.如權利要求7所述的推薦方法，其特征在于，所述第一卷積層、所述第二卷積層的卷積核的數目為10-60個，所述第一卷積層、所述第二卷積層的卷積核的大小為1-10，所述第一卷積層、所述第二卷積層的卷積跨度為1-3單元。

9.如權利要求7所述的推薦方法，其特征在于，所述第一池化層、所述第二池化層的核的大小為1-5，所述第一池化層、所述第二池化層的跨度為1-3單元。

10.如權利要求7所述的推薦方法，其特征在于，所述第一全連接層、所述第二全連接層的神經元數目為50-100個。