[發(fā)明專利]基于穩(wěn)定神經(jīng)協(xié)同過濾的用戶-商品偏好預(yù)測系統(tǒng)和方法

有效

• 申請?zhí)枺?/td>: 202010098124.3
• 申請日: 2020-02-18
• 公開（公告）號: CN111311324B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 王慶先;張梟;陳彪;馬康康
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務(wù)所(普通合伙) 11870
• 代理人: 韋海英

本發(fā)明提供了基于穩(wěn)定神經(jīng)協(xié)同過濾的用戶?商品偏好預(yù)測系統(tǒng)，包括數(shù)據(jù)預(yù)處理模塊、與數(shù)據(jù)預(yù)處理模塊連接的數(shù)據(jù)存儲(chǔ)模塊、分別與數(shù)據(jù)存儲(chǔ)模塊連接的參數(shù)控制模塊、數(shù)據(jù)輸出模塊和預(yù)測結(jié)果生成模塊，以及與參數(shù)控制模塊連接的模型訓(xùn)練模塊，預(yù)測結(jié)果生成模塊分別與參數(shù)控制模塊以及模型訓(xùn)練模塊連接。基于上述系統(tǒng)，本發(fā)明還提供了基于穩(wěn)定神經(jīng)協(xié)同過濾的用戶?商品偏好預(yù)測方法。本發(fā)明旨在利用噪聲模擬用戶惡意攻擊時(shí)的數(shù)據(jù)波動(dòng)，通過引入指導(dǎo)模型輔助訓(xùn)練，對已知用戶?商品評分?jǐn)?shù)據(jù)的內(nèi)在統(tǒng)計(jì)規(guī)律進(jìn)行分析，從而提供穩(wěn)定準(zhǔn)確的用戶?商品評分預(yù)測結(jié)果，為用戶提供個(gè)性化、安全、可靠的金融產(chǎn)品推薦服務(wù)。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其設(shè)計(jì)基于穩(wěn)定神經(jīng)協(xié)同過濾的用戶-商品偏好預(yù)測系統(tǒng)和方法。

背景技術(shù)

市面上金融理財(cái)產(chǎn)品種類繁多，用戶淹沒在諸多的選擇中，無法找到滿意的適合自己的金融產(chǎn)品，因此針對用戶個(gè)人條件和喜好進(jìn)行定制化的推薦就顯得十分必要，現(xiàn)代電子商務(wù)中的推薦系統(tǒng)很好地解決了這一問題。在金融產(chǎn)品平臺中，通過用戶對商品的評分形成龐大的用戶-商品評分矩陣，并利用評分高低來預(yù)測用戶對商品的青睞程度。由于系統(tǒng)中用戶數(shù)量巨大并且商品豐富繁多，一般而言，用戶-商品評分矩陣是極為稀疏的高維度矩陣，因?yàn)槊總€(gè)用戶不可能對所有的商品一一評分。

根據(jù)在電子商務(wù)平臺的歷史評分，我們可以了解分析用戶對商品的偏好規(guī)律，在此基礎(chǔ)上建立有效的用戶-商品偏好的預(yù)測模型。并通過用戶對商品評分的仿真環(huán)境來模擬真實(shí)環(huán)境，從而為定制化的個(gè)人金融產(chǎn)品的推薦策略提供重要的科學(xué)依據(jù)。目前，已經(jīng)有很多關(guān)于用戶-商品偏好的預(yù)測方法。矩陣分解模型是推薦系統(tǒng)中最成功的方法之一，通過將用戶和商品映射到隱特征空間，然后計(jì)算用戶和商品的潛在交互來預(yù)測新的評分，隨后由于深度學(xué)習(xí)算法在表征數(shù)據(jù)本質(zhì)方面的優(yōu)秀能力，基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾方法在學(xué)習(xí)用戶和商品的隱藏表示方面所取得了很好的效果。然而，由于推薦系統(tǒng)的開放性，近年來的諸多研究表明，基于因子分解的方法容易受到惡意用戶攻擊，通過對協(xié)同過濾算法及其參數(shù)的了解，例如，攻擊者知道推薦系統(tǒng)的體系結(jié)構(gòu)或合法的用戶數(shù)據(jù)就可以很容易地對該系統(tǒng)進(jìn)行攻擊，降低推薦系統(tǒng)的性能和穩(wěn)定性。攻擊者一方面生成惡意的用戶數(shù)據(jù)，以降低系統(tǒng)的性能，另一方面，他們又將自己的行為保持在正常用戶附近，以避免被發(fā)現(xiàn)，這就導(dǎo)致原有的推薦算法完全無法處理來自用戶的惡意攻擊。由于金融行業(yè)的特殊性，對模型的穩(wěn)定性和預(yù)測準(zhǔn)確度都有較高的要求。因此，上述方法在實(shí)際應(yīng)用于金融產(chǎn)品相關(guān)的電子商務(wù)系統(tǒng)中時(shí)存在很大弊端和隱患。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的基于穩(wěn)定神經(jīng)協(xié)同過濾的用戶-商品偏好預(yù)測系統(tǒng)及方法，能夠根據(jù)用戶-商品的交互記錄實(shí)現(xiàn)：構(gòu)建符合金融市場環(huán)境的推薦系統(tǒng)，面對來自惡意用戶的攻擊時(shí)仍保持穩(wěn)定；針對不同用戶定制化的精準(zhǔn)的金融產(chǎn)品預(yù)測和推薦。

為了達(dá)到以上目的，本發(fā)明采用的技術(shù)方案為：

本方案提供基于穩(wěn)定神經(jīng)協(xié)同過濾的用戶-商品偏好預(yù)測系統(tǒng)，包括數(shù)據(jù)預(yù)處理模塊、與所述數(shù)據(jù)預(yù)處理模塊連接的數(shù)據(jù)存儲(chǔ)模塊、分別與所述數(shù)據(jù)存儲(chǔ)模塊連接的參數(shù)控制模塊、數(shù)據(jù)輸出模塊和預(yù)測結(jié)果生成模塊，以及與所述參數(shù)控制模塊連接的模型訓(xùn)練模塊，所述預(yù)測結(jié)果生成模塊分別與參數(shù)控制模塊以及模型訓(xùn)練模塊連接；

所述數(shù)據(jù)預(yù)處理模塊，用于獲取用戶-商品評分?jǐn)?shù)據(jù)，并對用戶-商品評分?jǐn)?shù)據(jù)進(jìn)行預(yù)處理，并將預(yù)處理后的用戶-商品評分?jǐn)?shù)據(jù)輸入至所述數(shù)據(jù)存儲(chǔ)模塊中；

所述數(shù)據(jù)存儲(chǔ)模塊，用于存儲(chǔ)預(yù)處理過的用戶-商品評分?jǐn)?shù)據(jù)、用戶-商品偏好預(yù)測模型的參數(shù)以及生成的預(yù)測評分?jǐn)?shù)據(jù)；

所述模型訓(xùn)練模塊，用于根據(jù)預(yù)處理后的用戶-商品評分?jǐn)?shù)據(jù)，構(gòu)建和訓(xùn)練基于穩(wěn)定神經(jīng)協(xié)同過濾的用戶-商品偏好預(yù)測模型；

所述參數(shù)控制模塊，用于初始化用戶-商品偏好預(yù)測模型的參數(shù)，同時(shí)控制參數(shù)和用戶-商品偏好預(yù)測模型的訓(xùn)練過程；