[發明專利]基于卷積神經網絡與降噪自編碼器的信息推薦方法及系統

有效

• 申請號: 201911313428.0
• 申請日: 2019-12-19
• 公開（公告）號: CN111127146B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 錢忠勝;趙暢
• 申請（專利權）人: 江西財經大學
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06N3/08;G06N3/0464;G06N3/048;G06N3/0455
• 代理公司: 深圳市華騰知識產權代理有限公司 44370
• 代理人: 彭年才

本發明公開了一種基于卷積神經網絡與降噪自編碼器的信息推薦方法及系統。利用卷積神經網絡和降噪自編碼器兩個深度學習模型，從評分、信任、評論等數據中學習用戶偏好。同時，提出了一種新的相關正則化方法來建立用戶偏好在不同方面的關系，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，通過卷積神經網絡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的預測向量并進行加權融合，從而更為準確地建模用戶偏好。

技術領域

本發明涉及信息推薦技術領域，具體涉及一種基于卷積神經網絡與降噪自編碼器的信息推薦方法及系統。

背景技術

近年來，推薦系統在各行各業得到了廣泛的應用。推薦系統根據用戶需求、興趣等，通過推薦算法從海量數據中挖掘出用戶感興趣的項目，并將結果以個性化列表的形式推薦給用戶。個性化推薦是機器學習在電子商務等領域的關鍵應用之一。許多推薦系統使用協同過濾方法來進行推薦。雖然推薦領域已經提出了許多推薦算法，但仍然存在一些眾所周知的問題，如數據稀疏性和冷啟動等。針對這些問題，很多研究者提出利用深度學習或者信息融合來幫助建模用戶和項目，如降噪自編碼器、卷積神經網絡、評分信息、信任信息、評論信息或者地理上下文等。

盡管現有的研究提出了信息融合或者深度學習用于推薦的不同方法，但這些推薦算法仍然存在幾個關鍵問題。首先，它們大多采用淺層模型對信任、評分等信息進行建模，忽略了數據間的高階交互。如何利用深度學習模型從多種信息中學習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，面臨著數據稀疏問題，這可能會限制算法的改進，使利用深度模型從信任、評分等數據中學習高階信息變得困難。最后，還有一個挑戰就是數據稀疏的問題。一些學者使用基于內容的推薦或者混合推薦來緩解數據稀疏問題，但其存在特征提取困難等問題。通過對真實世界數據的分析，可以發現評論信息不僅能夠體現項目的屬性，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，通過深度神經網絡從用戶對物品的評論信息中挖掘用戶偏好信息，再結合信任和評分信息，可以提取到更多的有效特征表示。

發明內容

有鑒于此，有必要提供一種充分利用文本評論信息，結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，從而有效改善了數據稀疏和冷啟動問題的基于卷積神經網絡與降噪自編碼器的信息推薦方法及系統。

一種基于卷積神經網絡與降噪自編碼器的信息推薦方法，包括以下步驟：

步驟一，深度分析數據信息，對評分信息、信任信息和評論信息進行分類和過濾；

步驟二，深度學習卷積神經網絡模型和降噪自編碼器模型，所述卷積神經網絡模型通過過濾函數，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據來增加自身編碼和重構數據時的難度，通過一個狹窄的神經網絡，使用噪聲版本重構輸入數據，獲得特征表示，避免所述卷積神經網絡模型過度擬合；

步驟三，利用降噪自編碼器模型原理建立基于卷積神經網絡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網絡模型，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，生成相應的預測向量，并對生成的所述預測向量進行加權融合；最終生成目標用戶的相應的推薦列表。

進一步地，步驟一中的所述數據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賦值為1至5；所述信任信息分為信任關系和非信任關系并對應賦值為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。