[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的推薦方法

有效

• 申請?zhí)枺?/td>: 201811215216.4
• 申請日: 2018-10-18
• 公開（公告）號: CN109447698B
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計）人: 周曦;張竹昕
• 申請（專利權(quán)）人: 廣州云從人工智能技術(shù)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(wù)所(普通合伙) 31219
• 代理人: 尹麗云

一種基于神經(jīng)網(wǎng)絡(luò)的推薦方法，采用以下步驟，S1：從底層模塊中提取結(jié)構(gòu)化數(shù)據(jù)，將結(jié)構(gòu)化數(shù)據(jù)添加到數(shù)據(jù)集中，將數(shù)據(jù)集中用戶信息輸入到用戶處理模塊，將數(shù)據(jù)集中商業(yè)信息輸入到廣告處理模塊；S2：對數(shù)據(jù)集中的特征進(jìn)行清洗，對于數(shù)據(jù)集中含有的缺失值，可以根據(jù)缺失的具體的類型使用均值填充、眾數(shù)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(tǒng)計學(xué)異常值判斷的方法剔除異常值并填補正常值。針對某大數(shù)據(jù)應(yīng)用場景，多級異構(gòu)深度大數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)的第一級神經(jīng)網(wǎng)絡(luò)，在AI建模完成后，對大數(shù)據(jù)進(jìn)行多維度融合和挖掘，其輸出結(jié)果代表了神經(jīng)網(wǎng)絡(luò)對該應(yīng)用場景的判斷。

技術(shù)領(lǐng)域

本發(fā)明涉及機器學(xué)習(xí)領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的推薦方法。

背景技術(shù)

大多數(shù)廣告推薦用的協(xié)同過濾技術(shù)，通過相似用戶聚類的方法給剩余的用戶匹配相似客戶，在根據(jù)這個相似客戶推薦可能喜愛的產(chǎn)品。

此種技術(shù)的缺點是：1.無法利用交叉利用多重特征；2.必須要有初始的打分項；3.通過相似用戶的判斷到喜愛產(chǎn)品的推薦，誤差較大；4.學(xué)習(xí)深度不夠，無法深度挖掘客戶和產(chǎn)品之間的內(nèi)在聯(lián)系。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)的不足，提出一種基于神經(jīng)網(wǎng)絡(luò)的推薦方法，具體技術(shù)方案如下：

一種基于神經(jīng)網(wǎng)絡(luò)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(jié)構(gòu)化數(shù)據(jù)，將結(jié)構(gòu)化數(shù)據(jù)添加到數(shù)據(jù)集中，將數(shù)據(jù)集中用戶信息輸入到用戶處理模塊，將數(shù)據(jù)集中商業(yè)信息輸入到廣告處理模塊；

S2：對數(shù)據(jù)集中的特征進(jìn)行清洗，對于數(shù)據(jù)集中含有的缺失值，可以根據(jù)缺失的具體的類型使用均值填充、眾數(shù)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(tǒng)計學(xué)異常值判斷的方法剔除異常值并填補正常值；

S3：對特征進(jìn)行判斷，如果特征是連續(xù)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(jīng)網(wǎng)絡(luò)或者用分箱操作將特征進(jìn)行分類，轉(zhuǎn)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(jīng)網(wǎng)絡(luò)進(jìn)行特征重組，使特征維度增加；

S6：采用訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，根據(jù)用戶曾經(jīng)消費最多的商戶給訓(xùn)練數(shù)據(jù)的用戶打標(biāo)簽，作為訓(xùn)練集的目標(biāo)集；

訓(xùn)練集為用戶或商戶的各項特征，目標(biāo)集為用戶和商戶的標(biāo)簽；

設(shè)置神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括神經(jīng)網(wǎng)絡(luò)的層數(shù)、激勵函數(shù)和每一層產(chǎn)生的節(jié)點；

將重組后的特征作為輸入，輸入設(shè)置好維度的神經(jīng)網(wǎng)絡(luò)張量中，得到用戶和用戶標(biāo)簽的匹配；

S7：采用混淆矩陣對訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評估，計算每個標(biāo)簽的精準(zhǔn)度和召回率，并且得到AUC值，判斷神經(jīng)網(wǎng)絡(luò)模型是否能準(zhǔn)確評估客戶和商戶的標(biāo)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(yīng)著一個離散的新的特征，將兩個神經(jīng)網(wǎng)絡(luò)模型的低維向量提取之后，進(jìn)行存儲；

S9：對點乘進(jìn)行評估，將用戶處理模塊對應(yīng)的輸出向量和廣告處理模塊對應(yīng)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(guān)；

S10：針對每一個客戶，對應(yīng)生成一個由點乘向量組成的目標(biāo)向量集合，對目標(biāo)向量集合內(nèi)的點乘向量按從大到小進(jìn)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(shù)，且x＞1。