[發(fā)明專(zhuān)利]一種基于用戶(hù)隱式反饋的個(gè)性化神經(jīng)網(wǎng)絡(luò)推薦方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910283969.7
• 申請(qǐng)日: 2019-04-10
• 公開(kāi)（公告）號(hào): CN110362753B
• 公開(kāi)（公告）日: 2021-12-17
• 發(fā)明（設(shè)計(jì)）人: 楊志明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深思考人工智能機(jī)器人科技（北京）有限公司
• 主分類(lèi)號(hào): G06F16/9536
• 分類(lèi)號(hào): G06F16/9536;G06N3/02
• 代理公司: 北京德琦知識(shí)產(chǎn)權(quán)代理有限公司 11018
• 代理人: 牛崢;王麗琴

1.一種基于用戶(hù)隱式反饋的個(gè)性化神經(jīng)網(wǎng)絡(luò)推薦方法，其特征在于，該方法包括：

基于用戶(hù)的隱式數(shù)據(jù)建立隱式反饋神經(jīng)網(wǎng)絡(luò)推薦IFNNRM模型；

將獲取到的用戶(hù)標(biāo)識(shí)及多個(gè)要推薦的信息標(biāo)識(shí)，輸入到所建立的IFNNRM模型中，輸出得到推薦信息；

所述建立IFNNRM模型包括：

根據(jù)所述用戶(hù)的隱式數(shù)據(jù)構(gòu)建訓(xùn)練樣本，輸入到IFNNRM模型的輸入層中，所述訓(xùn)練樣本包括采用向量表示的用戶(hù)特征信息、與用戶(hù)相關(guān)聯(lián)的要推薦信息、及用戶(hù)和用戶(hù)相關(guān)聯(lián)的要推薦信息之間的行為信息；

IFNNRM模型的嵌入層從所述輸入層的用戶(hù)特征信息向量抽取得到用戶(hù)隱含特征信息向量，及從所述與用戶(hù)相關(guān)聯(lián)的要推薦信息向量抽取得到與用戶(hù)相關(guān)聯(lián)的隱含要推薦信息向量，對(duì)所述用戶(hù)隱含特征信息向量及所述與用戶(hù)相關(guān)聯(lián)的隱含要推薦信息向量進(jìn)行內(nèi)積；

將所述嵌入層的用戶(hù)隱含特征信息向量及與用戶(hù)相關(guān)聯(lián)的隱含要推薦信息向量之間外積，輸入到IFNNRM模型設(shè)置的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積計(jì)算及池化后，提取得到用戶(hù)行為隱含特征向量；

將所述嵌入層的用戶(hù)隱含特征信息向量、與用戶(hù)相關(guān)聯(lián)的隱含要推薦信息向量及所述用戶(hù)隱含特征信息向量及所述與用戶(hù)相關(guān)聯(lián)的隱含要推薦信息向量的內(nèi)積進(jìn)行隨機(jī)初始化后，輸入到IFNNRM模型中設(shè)置的遞減式的神經(jīng)網(wǎng)絡(luò)，提取得到用戶(hù)行為隱含特征向量；

在IFNNRM模型中的輸出層將卷積神經(jīng)網(wǎng)絡(luò)抽取得到的用戶(hù)行為隱含特征向量以及遞減式神經(jīng)網(wǎng)絡(luò)抽取得到的用戶(hù)行為隱含特征向量進(jìn)行拼接后映射為評(píng)分，得到要推薦的信息。

2.如權(quán)利要求1所述的推薦方法，其特征在于，所述用戶(hù)的隱式數(shù)據(jù)包括用戶(hù)的特征信息、與用戶(hù)相關(guān)聯(lián)的要推薦信息、及用戶(hù)和用戶(hù)相關(guān)聯(lián)的要推薦信息之間的行為信息。

3.如權(quán)利要求1或2所述的推薦方法，其特征在于，所述用戶(hù)的隱式數(shù)據(jù)的獲取包括：

基于用戶(hù)標(biāo)識(shí)，獲取用戶(hù)的互聯(lián)網(wǎng)訪問(wèn)日志，從用戶(hù)的互聯(lián)網(wǎng)訪問(wèn)日志中獲取得到用戶(hù)隱式數(shù)據(jù)。

4.如權(quán)利要求1所述的推薦方法，其特征在于，所述IFNNRM模型設(shè)置的卷積神經(jīng)網(wǎng)絡(luò)中采用的權(quán)重，及所述IFNNRM模型設(shè)置的遞減式的神經(jīng)網(wǎng)絡(luò)采用的權(quán)重，初始值隨機(jī)，然后通過(guò)反向傳播算法更新學(xué)習(xí)權(quán)重。

5.如權(quán)利要求1所述的推薦方法，其特征在于，根據(jù)所述用戶(hù)的隱式數(shù)據(jù)分別構(gòu)建驗(yàn)證樣本及測(cè)試樣本，輸入到所述IFNNRM模型中進(jìn)行驗(yàn)證及測(cè)試，所述分別在驗(yàn)證樣本及測(cè)試樣本中的用戶(hù)隱式數(shù)據(jù)在所述訓(xùn)練樣本中至少出現(xiàn)一次。

6.如權(quán)利要求2所述的推薦方法，其特征在于，在所述將獲取到的用戶(hù)標(biāo)識(shí)及多個(gè)要推薦的信息標(biāo)識(shí)，輸入到所建立的IFNNRM模型之前，還包括：

根據(jù)用戶(hù)的查詢(xún)意圖，從所建立的數(shù)據(jù)庫(kù)找到匹配用戶(hù)標(biāo)識(shí)的要推薦信息，判斷該用戶(hù)在系統(tǒng)中產(chǎn)生的要推薦信息數(shù)據(jù)行為是否小于等于設(shè)定的推薦閾值，如果是，將所述要推薦信息作為為用戶(hù)的推薦信息；

如果否，將用戶(hù)標(biāo)識(shí)分別與數(shù)據(jù)庫(kù)匹配得到的要推薦信息標(biāo)識(shí)輸入到所建立的IFNNRM模型中。

7.如權(quán)利要求6所述的推薦方法，其特征在于，所述建立的數(shù)據(jù)庫(kù)采用詞頻/逆文本頻率指數(shù)TF/IDF算法設(shè)置；

在所述將所述要推薦信息作為為用戶(hù)的推薦信息之前，還包括：

采用設(shè)置的推薦算法對(duì)所述要推薦信息進(jìn)行排序后，再將排序后的所述要推薦信息作為為用戶(hù)的推薦信息。