[發明專利]一種基于注意力模型的降噪自編碼器推薦方法

在審

• 申請號: 201910742757.0
• 申請日: 2019-08-13
• 公開（公告）號: CN110555132A
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 張延華;王倩雯;付瓊霄;李萌;李慶;陳冰容
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F16/735
• 分類號: G06F16/735;G06N3/04;G06N3/08
• 代理公司: 11203 北京思海天達知識產權代理有限公司
• 代理人: 劉萍

一種基于注意力模型的降噪自編碼器的電影推薦方法，屬于電影推薦技術領域。在現有的推薦算法中，自編碼器推薦模型因運算速度較快，易于實現得到廣泛應用，但評分矩陣稀疏時，推薦準確度將大大降低，且未曾考慮輔助信息與用戶對于觀看記錄不同的注意度。為了解決上述問題，本方法將注意力模型與降噪自編碼器相結合，利用注意力模型學習用戶的偏好，融入降噪自編碼器共同迭代更新參數，從而預測用戶完整評分。本方法在預測評分準確度方面有明顯提升。

技術領域

本方法屬于電影推薦技術領域，具體設計結合注意力模型與降噪自編碼器的電影推薦方法。

背景技術

電影逐漸成為我們日常生活中不可或缺的娛樂方式，但面對龐大的電影資源庫，如何幫助用戶快速尋找到喜愛的影片成為了推薦系統面對的主要問題。

傳統的電影推薦方法往往是根據電影的搜索熱度進行推薦，但用戶喜愛的電影種類各不相同，導致推薦系統的滿意度較低。近年來，深度學習在各個領域取得了巨大成功，如計算機視覺，翻譯等。深度學習目前也被廣泛的應用在推薦系統上，因深度學習可以捕捉到數據之間的復雜聯系，所以基于深度學習的推薦算法在性能方面大大超過了普通算法。

現有的深度學習推薦系統應用最廣泛的為基于自編碼器的推薦算法，但大多基于自編碼器的算法并沒有考慮輔助信息和用戶對收看記錄存在不同的注意度，導致推薦精度仍不理想。針對這些技術缺陷，本發明借助注意力模型和自編碼器解決這些問題。

發明內容

本發明解決的技術問題是：普通的降噪自編碼器準確度低，且忽略了用戶收看記錄與電影輔助信息，即用戶職業，工作，性別以及電影的類別對推薦系統的影響。

針對上述問題，本發明提供了一種基于注意力模型的降噪自編碼器推薦方法，步驟如下：

步驟1.從網上公開數據集獲得用戶，電影信息以及用戶對電影的評分。

步驟2.利用卷積神經網絡處理電影標題信息。

步驟3.處理用戶與電影剩余信息，分別轉變為用戶向量與電影向量。

步驟4.根據用戶評分，選出每位用戶評分前十的電影，作為用戶偏好矩陣。

步驟5.將用戶偏好矩陣輸入注意力模型，最終計算得到用戶的偏好特征向量。

步驟6.將用戶評分輸入降噪自編碼器，并在降噪自編碼器的隱藏層中添加用戶輔助信息向量和用戶偏好特征向量，經過100次迭代后，獲得完整用戶評分。

步驟7.根據預測評分進行電影推薦。

本發明利用注意力模型提取用戶的偏好特征并將其融入降噪自編碼器，使得用戶特征更加準確，大大提高了推薦算法性能。

附圖說明

圖1為用戶輔助信息提取模型圖

圖2為電影輔助信息提取模型圖

圖3為本發明基于注意力模型的降噪自編碼器推薦方法的整體模型

具體實施方式

下面結合附圖對本發明做進一步的詳細描述：

本發明提供了一種基于注意力模型的降噪自編碼器推薦系統方法，該方法包括以下步驟：

步驟1.從網上公開數據集獲得用戶，電影信息以及用戶對電影的評分。共有6040位用戶，3952部電影，1000209個評分，評分從1至5，均為整數。用戶，電影信息和用戶評分形式如下表。