[發明專利]一種基于神經網絡的推薦方法

有效

• 申請號: 201811215216.4
• 申請日: 2018-10-18
• 公開（公告）號: CN109447698B
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 周曦;張竹昕
• 申請（專利權）人: 廣州云從人工智能技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 尹麗云

1.一種基于神經網絡的推薦方法，其特征在于：

采用以下步驟，

S1：從底層模塊中提取結構化數據，將結構化數據添加到數據集中，將數據集中用戶信息輸入到用戶處理模塊，將數據集中商業信息輸入到廣告處理模塊；

S2：對數據集中的特征進行清洗，對于數據集中含有的缺失值，可以根據缺失的具體的類型使用均值填充、眾數填充、隨機森林填充、猜測矩陣填充方式，將缺失值補齊；

對于缺失比例超過30％的特征予以剔除，用箱型圖和統計學異常值判斷的方法剔除異常值并填補正常值；

S3：對特征進行判斷，如果特征是連續型的稱之為密集特征，則按照步驟S4處理，如果特征是離散型的，則按照步驟S5處理；

S4：直接歸一化后放入神經網絡或者用分箱操作將特征進行分類，轉化為離散型特征；

S5：采用獨熱編碼的方式使這些特征變成稀疏特征，利用神經網絡進行特征重組，使特征維度增加；

S6：采用訓練集訓練神經網絡模型，根據用戶曾經消費最多的商戶給訓練數據的用戶打標簽，作為訓練集的目標集；

訓練集為用戶和商戶的各項特征，目標集為用戶和商戶的標簽；

設置神經網絡的參數，將重組后的特征作為輸入，輸入設置好維度的神經網絡張量中，得到用戶和用戶標簽的匹配；

S7：采用混淆矩陣對訓練完成的神經網絡模型進行評估，計算每個標簽的精準度和召回率，并且得到AUC值，判斷神經網絡模型是否能準確評估客戶和商戶的標簽；

S8：對特征向量提取，最后的特征處理成為一個embedding層，embedding層定義為從一個矩陣中選擇一行，一行對應著一個離散的新的特征，將兩個神經網絡模型的低維向量提取之后，進行存儲；

S9：對點乘進行評估，將用戶處理模塊對應的輸出向量和廣告處理模塊對應的輸出向量兩兩點乘，得到其在向量空間中的大小，點乘的最終向量大小與客戶和廣告的匹配度為正相關；

S10：針對每一個客戶，對應生成一個由點乘向量組成的目標向量集合，對目標向量集合內的點乘向量按從大到小進行排序，按照從大到小的順序選取前x個點乘向量給用戶做推薦，x為正整數，且x＞1。

2.根據權利要求1所述一種基于神經網絡的推薦方法，其特征在于：所述步驟S6中，設置神經網絡參數包括神經網絡的層數、激勵函數和每一層產生的節點。