[發(fā)明專利]一種基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法

有效

• 申請?zhí)枺?/td>: 201910308866.1
• 申請日: 2019-04-17
• 公開（公告）號: CN110008411B
• 公開（公告）日: 2021-01-26
• 發(fā)明（設計）人: 曾駿;李英華;唐浩然;何欣
• 申請（專利權）人: 重慶大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9537;G06F16/955
• 代理公司: 重慶博凱知識產(chǎn)權代理有限公司 50212
• 代理人: 胡逸然

1.一種基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法，其特征在于，包括如下步驟：

S101、獲取所有用戶的歷史簽到信息，基于所有用戶的歷史簽到信息計算用戶簽到矩陣；

S102、基于用戶簽到矩陣計算用戶-興趣點矩陣和興趣點-用戶矩陣；

S103、基于用戶-興趣點矩陣計算預估矩陣M₀；

預估矩陣M₀的計算方法包括，基于能量公式計算聯(lián)合概率式中，v為神經(jīng)元顯層，h為神經(jīng)元隱層，b和a分別是顯層偏置向量和隱層偏置向量，w為參數(shù)權重，e為自然指數(shù)，i為第i個顯層神經(jīng)元，j為第j個隱層神經(jīng)元；基于聯(lián)合概率計算用戶關于興趣點的分布函數(shù)基于分布函數(shù)P(v)計算其最大值對應參數(shù)；基于分布函數(shù)P(v)的最大值對應參數(shù)計算預估矩陣M₀；

S104、利用步驟S103中的計算方法，基于預估矩陣M₀計算預估矩陣M₁；

S105、利用步驟S103中的計算方法，基于興趣點-用戶矩陣計算預估矩陣M₂；

S106、基于簽到矩陣計算預估矩陣M_n；

S107、基于公式M_pre＝M₀+M₁+M₂^T+M_n計算用戶-興趣點偏好值矩陣M_pre；

S108、基于偏好值矩陣M_pre生成推薦信息。

2.如權利要求1所述的基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法，其特征在于，S106包括如下步驟：

基于公式M_n≈U_mk×I_kn計算預估矩陣M_n，式中U_mk為用戶矩陣，梯度更新公式為I_kn為地點矩陣，梯度更新公式為

3.如權利要求1所述的基于用戶簽到稀疏矩陣的深度學習興趣點推薦方法，其特征在于，S108包括如下步驟：

按照所述偏好值矩陣M_pre分值由高到低的順序選取預設個數(shù)的推薦地點；

按照高到低的順序基于選取的推薦地點生成推薦列表。