[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

技術領域

本發明涉及個性化推薦技術領域，尤其涉及一種采用深度特征匹配的推薦方法。

背景技術

隨著互聯網的逐漸普及和網絡信息資源的日益豐富，人們逐漸從信息匱乏時代走進信息過載時代，信息量的不斷增大使得無論是信息生產者還是信息消費者都遇到了很大的困難和挑戰：從海量的信息里找到自己需求的信息已經變得越來越困難。與此同時，想讓產品在眾多信息中脫穎而出，得到消費者的關注也越來越困難。以前常用的方法是讓用戶自己輸入關鍵詞搜索，搜索引擎會根據用戶所提交的關鍵詞在數據庫里遍歷，以找到合適的信息進行推薦。這種方法的缺點是：需要用戶明確自己的需求，而且需要用戶主動檢索。

為了高效率、快速、主動給用戶提供推薦信息，從海量數據中挖掘到用戶所需信息并向用戶推薦，節省用戶獲取有用信息的時間，個性化推薦服務應運而生，個性化推薦服務首先會根據用戶行為數據進行相應的用戶行為偏好分析，常用的方法是通過用戶行為分析建立一個用戶偏好模型，將用戶的行為轉換為用戶的偏好。目前對用戶行為偏好建模多是在信息搜索引擎、網購平臺等對用戶信息搜索關鍵字、搜索信息，網購商品信息、網購評價信息等方面進行偏好分析。這種推薦方法只利用了較少的用戶和資源信息，并沒有深度挖掘用戶和資源的潛在特征，所以推薦的個性化程度和質量非常有限。

在大體量多維度的用戶數據和資源數據情況下，如何綜合利用跨領域數據，進行深度挖掘并匹配用戶及資源的特征，精確辨識某一用戶對某一資源的感興趣程度，提高推薦系統的個性化程度、資源推薦質量以及用戶的滿意度顯得尤為重要。

發明內容

針對現有技術的缺點，本發明的目的是提供一種采用深度特征匹配的推薦方法，能夠精確確定某一用戶對某一資源的偏好程度，并能大幅度提高推薦系統的個性化程度、資源推薦質量以及用戶的滿意度。

為實現上述目的，本發明提供了一種采用深度特征匹配的推薦方法，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，模型包括若干個層。

S2：定義模型的層數，每一層的神經元數目、每一層之間的連接方式、運算方法。

S3：通過將用戶數據、資源數據進行訓練，得到每一層之間的連接權值。

S4：通過輸入用戶數據、資源數據，采用模型計算，得到用戶對于資源的相似度量。

與現有技術相比，本發明公開的推薦方法，通過建立人工神經網絡結構的模型處理跨領域的用戶數據、資源數據，通過該模型的多層神經網絡結構進行特征學習，深度地挖掘了用戶和資源的特征；并通過該模型進行訓練，確定了每一層與上一層次神經元之間的連接權值，從而得到該推薦方法的匹配模型，通過深度學習使得通過該模型計算得到某一用戶對于某一方面的資源的相似度量更加精確，提高了推薦系統的個性化程度、資源推薦質量以及用戶的滿意度。

根據本發明另一具體實施方式，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，數值熱度圖為模型的輸入。

根據本發明另一具體實施方式，在步驟S1中，運算方法包括加權運算、非線性運算。

根據本發明另一具體實施方式，用戶數據包括用戶的性別、年齡、行業、瀏覽記錄和購買記錄；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。

根據本發明另一具體實施方式，步驟S3包括如下步驟：

S31：對用戶數據或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。

根據本發明另一具體實施方式，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，對用戶數據或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。