[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的推薦方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911059150.9
• 申請(qǐng)日: 2019-11-01
• 公開(kāi)（公告）號(hào): CN110929148A
• 公開(kāi)（公告）日: 2020-03-27
• 發(fā)明（設(shè)計(jì)）人: 楊勇;黃淑英;方玉明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 楊勇
• 主分類(lèi)號(hào): G06F16/9535
• 分類(lèi)號(hào): G06F16/9535;G06F40/30;G06F16/35;G06N3/04;G06N3/08
• 代理公司: 北京匯信合知識(shí)產(chǎn)權(quán)代理有限公司 11335
• 代理人: 張煥響

本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的推薦方法，包括以下步驟：對(duì)推薦項(xiàng)目的內(nèi)容進(jìn)行劃分，將文本信息進(jìn)行文本結(jié)構(gòu)統(tǒng)一；對(duì)內(nèi)容文本進(jìn)行數(shù)據(jù)預(yù)處理，具體包括對(duì)內(nèi)容文本進(jìn)行詞組拆分、語(yǔ)義提取、語(yǔ)義延伸和詞組重組；利用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)經(jīng)過(guò)數(shù)據(jù)預(yù)處理的內(nèi)容文本進(jìn)行特征提取；對(duì)提取的特征進(jìn)過(guò)濾處理，然后基于過(guò)濾處理后的特征進(jìn)行內(nèi)容推薦；本發(fā)明通過(guò)對(duì)推薦內(nèi)容的文本信息進(jìn)行多級(jí)處理，能夠?qū)ξ谋拘畔⒌恼Z(yǔ)義內(nèi)容進(jìn)行精確深度獲取，然后利用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)深度化的內(nèi)容文本進(jìn)行訓(xùn)練，可以得出最優(yōu)輸出，保證推薦內(nèi)容豐富度和準(zhǔn)確性高。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的推薦方法。

背景技術(shù)

推薦系統(tǒng)是根據(jù)用戶(hù)的信息需求、興趣等，將用戶(hù)感興趣的信息、產(chǎn)品等推薦給用戶(hù)的個(gè)性化信息推薦系統(tǒng)。與搜索引擎相比，推薦系統(tǒng)通過(guò)研究用戶(hù)的興趣偏好，進(jìn)行個(gè)性化計(jì)算，由系統(tǒng)發(fā)現(xiàn)用戶(hù)的興趣點(diǎn)，從而引導(dǎo)用戶(hù)發(fā)現(xiàn)自己的信息需求。一個(gè)好的推薦系統(tǒng)不僅能為用戶(hù)提供個(gè)性化的服務(wù)，還能和用戶(hù)之間建立密切關(guān)系，讓用戶(hù)對(duì)推薦產(chǎn)生依賴(lài)，目前的推薦系統(tǒng)主要分為三類(lèi)：基于內(nèi)容的推薦系統(tǒng)、基于協(xié)同過(guò)濾的推薦系統(tǒng)和混合型推薦系統(tǒng)；

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)，深度學(xué)習(xí)通過(guò)組合低層特征形成更加抽象的高層表示屬性類(lèi)別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示；

現(xiàn)有的基于深度學(xué)習(xí)的推薦方法，在過(guò)程中往往只對(duì)主要的幾個(gè)重要信息進(jìn)行提取特征，導(dǎo)致推薦內(nèi)容信息不全面，深層次挖掘和理解推薦項(xiàng)目的文本內(nèi)容信息對(duì)準(zhǔn)確推薦至關(guān)重要，因此，本發(fā)明提出一種基于深度學(xué)習(xí)的推薦方法，以解決現(xiàn)有技術(shù)中的不足之處。

發(fā)明內(nèi)容

針對(duì)上述問(wèn)題，本發(fā)明提出一種基于深度學(xué)習(xí)的推薦方法，通過(guò)對(duì)推薦內(nèi)容的文本信息進(jìn)行多級(jí)處理，能夠?qū)ξ谋拘畔⒌恼Z(yǔ)義內(nèi)容進(jìn)行精確深度獲取，然后利用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)深度化的內(nèi)容文本進(jìn)行訓(xùn)練，可以得出最優(yōu)輸出，保證推薦內(nèi)容豐富度和準(zhǔn)確性高。

本發(fā)明提出一種基于深度學(xué)習(xí)的推薦方法，包括以下步驟：

步驟一：對(duì)推薦項(xiàng)目的內(nèi)容進(jìn)行劃分，將文本信息進(jìn)行文本結(jié)構(gòu)統(tǒng)一，形成內(nèi)容文本；

步驟二：對(duì)內(nèi)容文本進(jìn)行數(shù)據(jù)預(yù)處理，具體包括對(duì)內(nèi)容文本進(jìn)行詞組拆分、語(yǔ)義提取、語(yǔ)義延伸和詞組重組；

步驟三：構(gòu)建一個(gè)深度神經(jīng)網(wǎng)絡(luò)模型，并訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，然后利用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)經(jīng)過(guò)數(shù)據(jù)預(yù)處理的內(nèi)容文本進(jìn)行特征提取；

步驟四：對(duì)提取的特征進(jìn)過(guò)濾處理，然后基于過(guò)濾處理后的特征進(jìn)行內(nèi)容推薦。

進(jìn)一步改進(jìn)在于：所述步驟一中對(duì)推薦項(xiàng)目的內(nèi)容進(jìn)行劃分時(shí)，具體為將推薦內(nèi)容按照文本信息、圖片內(nèi)容和鏈接三個(gè)類(lèi)別進(jìn)行劃分。

進(jìn)一步改進(jìn)在于：所述步驟一中將文本信息進(jìn)行文本結(jié)構(gòu)統(tǒng)一，形成內(nèi)容文本的具體過(guò)程為：將非結(jié)構(gòu)化和半結(jié)構(gòu)化的文本信息轉(zhuǎn)換成結(jié)構(gòu)化的文本信息，形成內(nèi)容文本，首先選擇文本信息的范圍，然后建立分類(lèi)文本語(yǔ)料庫(kù)訓(xùn)練文本信息。

進(jìn)一步改進(jìn)在于：所述步驟二中對(duì)內(nèi)容文本進(jìn)行數(shù)據(jù)預(yù)處理前，需要先對(duì)內(nèi)容文本進(jìn)行壓縮處理，去除重復(fù)無(wú)用的詞組，具體為：建立兩個(gè)存放字符的列表來(lái)完成，并按照不同情況，將其放入list1或list2列表或觸發(fā)壓縮判斷，若得出重復(fù)則壓縮去除。

進(jìn)一步改進(jìn)在于：所述壓縮去除的規(guī)則為：

如果讀入的當(dāng)前字符與list1的首字符相同，而list2沒(méi)有放入的國(guó)際字符，則將這個(gè)字符放入list2中；

如果讀入的當(dāng)前字符與list1的首字符相同，而list2也有國(guó)際字符，則觸發(fā)壓縮判斷，若得出重復(fù)，則進(jìn)行壓縮去除，清空第二個(gè)列表；