[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)與降噪自編碼器的信息推薦方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201911313428.0
• 申請日: 2019-12-19
• 公開（公告）號: CN111127146B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計）人: 錢忠勝;趙暢
• 申請（專利權(quán)）人: 江西財經(jīng)大學(xué)
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06N3/08;G06N3/0464;G06N3/048;G06N3/0455
• 代理公司: 深圳市華騰知識產(chǎn)權(quán)代理有限公司 44370
• 代理人: 彭年才

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)與降噪自編碼器的信息推薦方法及系統(tǒng)。利用卷積神經(jīng)網(wǎng)絡(luò)和降噪自編碼器兩個深度學(xué)習(xí)模型，從評分、信任、評論等數(shù)據(jù)中學(xué)習(xí)用戶偏好。同時，提出了一種新的相關(guān)正則化方法來建立用戶偏好在不同方面的關(guān)系，以提高性能。首先，相比于以往模型，融入了豐富的評論信息；然后，通過卷積神經(jīng)網(wǎng)絡(luò)模型對評論文本進行初步的處理，將提取出來的有效特征再放入降噪自編碼器模型中提取其隱藏特征，得到評論文本更加有效的緊湊表示；最后，再增加兩個降噪自編碼器，分別用來處理評分和信任信息，通過三個降噪自編碼器分別得到相應(yīng)的預(yù)測向量并進行加權(quán)融合，從而更為準(zhǔn)確地建模用戶偏好。

技術(shù)領(lǐng)域

本發(fā)明涉及信息推薦技術(shù)領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)與降噪自編碼器的信息推薦方法及系統(tǒng)。

背景技術(shù)

近年來，推薦系統(tǒng)在各行各業(yè)得到了廣泛的應(yīng)用。推薦系統(tǒng)根據(jù)用戶需求、興趣等，通過推薦算法從海量數(shù)據(jù)中挖掘出用戶感興趣的項目，并將結(jié)果以個性化列表的形式推薦給用戶。個性化推薦是機器學(xué)習(xí)在電子商務(wù)等領(lǐng)域的關(guān)鍵應(yīng)用之一。許多推薦系統(tǒng)使用協(xié)同過濾方法來進行推薦。雖然推薦領(lǐng)域已經(jīng)提出了許多推薦算法，但仍然存在一些眾所周知的問題，如數(shù)據(jù)稀疏性和冷啟動等。針對這些問題，很多研究者提出利用深度學(xué)習(xí)或者信息融合來幫助建模用戶和項目，如降噪自編碼器、卷積神經(jīng)網(wǎng)絡(luò)、評分信息、信任信息、評論信息或者地理上下文等。

盡管現(xiàn)有的研究提出了信息融合或者深度學(xué)習(xí)用于推薦的不同方法，但這些推薦算法仍然存在幾個關(guān)鍵問題。首先，它們大多采用淺層模型對信任、評分等信息進行建模，忽略了數(shù)據(jù)間的高階交互。如何利用深度學(xué)習(xí)模型從多種信息中學(xué)習(xí)表示來進行推薦是一個難點問題。其次，一些模型只融合了一兩種信息，面臨著數(shù)據(jù)稀疏問題，這可能會限制算法的改進，使利用深度模型從信任、評分等數(shù)據(jù)中學(xué)習(xí)高階信息變得困難。最后，還有一個挑戰(zhàn)就是數(shù)據(jù)稀疏的問題。一些學(xué)者使用基于內(nèi)容的推薦或者混合推薦來緩解數(shù)據(jù)稀疏問題，但其存在特征提取困難等問題。通過對真實世界數(shù)據(jù)的分析，可以發(fā)現(xiàn)評論信息不僅能夠體現(xiàn)項目的屬性，而且還能夠表達用戶的興趣。基于以上所述，我們決定引入評論信息來解決這個問題。相對于不使用評論信息的模型來說，通過深度神經(jīng)網(wǎng)絡(luò)從用戶對物品的評論信息中挖掘用戶偏好信息，再結(jié)合信任和評分信息，可以提取到更多的有效特征表示。

發(fā)明內(nèi)容

有鑒于此，有必要提供一種充分利用文本評論信息，結(jié)合稀疏的評分矩陣和信任矩陣，對輸入進行更有效地初始化操作，從而有效改善了數(shù)據(jù)稀疏和冷啟動問題的基于卷積神經(jīng)網(wǎng)絡(luò)與降噪自編碼器的信息推薦方法及系統(tǒng)。

一種基于卷積神經(jīng)網(wǎng)絡(luò)與降噪自編碼器的信息推薦方法，包括以下步驟：

步驟一，深度分析數(shù)據(jù)信息，對評分信息、信任信息和評論信息進行分類和過濾；

步驟二，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型和降噪自編碼器模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型通過過濾函數(shù)，以并行的方式沿著固定大小的滑動窗口處理輸入序列，最終輸出序列的隱藏特征矩陣，再經(jīng)過池化層輸出具有代表性部分的隱藏特征向量；所述降噪自編碼器模型通過加入噪聲影響原始的輸入數(shù)據(jù)來增加自身編碼和重構(gòu)數(shù)據(jù)時的難度，通過一個狹窄的神經(jīng)網(wǎng)絡(luò)，使用噪聲版本重構(gòu)輸入數(shù)據(jù)，獲得特征表示，避免所述卷積神經(jīng)網(wǎng)絡(luò)模型過度擬合；

步驟三，利用降噪自編碼器模型原理建立基于卷積神經(jīng)網(wǎng)絡(luò)與降噪自編碼器的信息融合推薦模型；首先將所述評論信息輸入所述卷積神經(jīng)網(wǎng)絡(luò)模型，生成隱藏特征向量，進而生成用戶對所有項目的喜好程度值所構(gòu)成的向量；然后用三個并列的所述降噪自編碼器模型分別處理輸入的評分信息、信任信息和評論信息，生成相應(yīng)的預(yù)測向量，并對生成的所述預(yù)測向量進行加權(quán)融合；最終生成目標(biāo)用戶的相應(yīng)的推薦列表。

進一步地，步驟一中的所述數(shù)據(jù)信息包括所述評分信息、所述信任信息和所述評論信息；所述評分信息按照喜好程度分為五級并分別對應(yīng)賦值為1至5；所述信任信息分為信任關(guān)系和非信任關(guān)系并對應(yīng)賦值為1和0；所述評論信息采用用戶對物品的評價信息，所述評論信息用于分析用戶的購買和評分行為。