[發(fā)明專利]一種基于卷積協(xié)同過濾的電影組推薦方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010696335.7
• 申請日: 2020-07-20
• 公開（公告）號: CN112016000B
• 公開（公告）日: 2021-08-10
• 發(fā)明（設(shè)計）人: 楊青;李賀永
• 申請（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/9535;G06N3/04
• 代理公司: 成都東恒知盛知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

1.一種基于卷積協(xié)同過濾的電影組推薦方法，其特征在于：所述推薦方法包括：

通過運營商獲取用戶數(shù)據(jù)和商品內(nèi)容數(shù)據(jù)組成用戶組，并處理成模型能識別的格式；

使用基于卷積協(xié)同過濾推薦算法對以上數(shù)據(jù)進(jìn)行處理，得到用戶組的推薦列表；

給相關(guān)用戶組進(jìn)行推薦，同時獲取用戶的反饋數(shù)據(jù)，并將反饋數(shù)據(jù)返回給系統(tǒng)，處理成相應(yīng)格式，然后使用基于卷積協(xié)同過濾推薦算法進(jìn)行數(shù)據(jù)處理計算推薦列表，繼續(xù)推薦商品給用戶組；

所述基于卷積協(xié)同過濾推薦算法對數(shù)據(jù)進(jìn)行處理包括注意力神經(jīng)網(wǎng)絡(luò)的用戶組嵌入聚合步驟、項目組嵌入聚合步驟和卷積協(xié)同過濾的特征交互學(xué)習(xí)步驟；所述注意力神經(jīng)網(wǎng)絡(luò)的用戶組嵌入聚合步驟包括：

收集處理原始數(shù)據(jù)并進(jìn)行清洗重組，得到用戶數(shù)據(jù)和項目數(shù)據(jù)；

采用注意力神經(jīng)網(wǎng)絡(luò)對用戶組的用戶數(shù)據(jù)進(jìn)行嵌入處理，通過整個模型學(xué)習(xí)該用戶從屬于某個特定組的加權(quán)權(quán)重；

根據(jù)所述該用戶從屬于某個特定用戶組的加權(quán)權(quán)重對用戶的嵌入特征進(jìn)行加權(quán)聚合，從而得到該用戶組的嵌入特征；

所述項目組嵌入聚合步驟包括：根據(jù)項目的屬性數(shù)據(jù)、項目ID，通過神經(jīng)網(wǎng)絡(luò)embedding算法對這些高維稀疏數(shù)據(jù)進(jìn)行embedding操作，將高維稀疏數(shù)據(jù)進(jìn)行降維轉(zhuǎn)化為低維度、稠密的嵌入特征向量；

所述卷積協(xié)同過濾的特征交互學(xué)習(xí)步驟包括：

將獲取的用戶組的嵌入特征和項目組的嵌入特征按照對應(yīng)元素做點乘的方式融合，并將融合后的結(jié)果再和用戶組的嵌入特征、項目組的嵌入特征按照列做疊加處理得到數(shù)據(jù)的維度；疊加之后的數(shù)據(jù)維度為256*96；

將獲取的數(shù)據(jù)維度的融合特征送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作處理；

將卷積操作輸出的數(shù)據(jù)輸入到全連接層網(wǎng)絡(luò)，繼續(xù)對模型訓(xùn)練，不斷提高模型準(zhǔn)確度；

首先是卷積操作，當(dāng)進(jìn)行卷積操作時，假設(shè)卷積核為k*k,邊界填充設(shè)置為P,步長為S，假設(shè)輸入維度為H*W,那么輸出的維度，H變?yōu)閃變?yōu)榱罹矸e核k*k＝3*3，填充P＝1，步長S＝1，經(jīng)過卷積之后，輸入的維度256*96保持不變；

卷積之后，經(jīng)過卷積的嵌入和原始嵌入進(jìn)行元素點乘，V＝F(A,E)＝[a₁·e₁,···,a_f·e_f]＝[c₁,···,c_f]，其中，A表示原始嵌入，E表示卷積嵌入，V表示經(jīng)過卷積處理，能夠建模原始特征重要度的嵌入；

然后使用全連接層：s＝RELU(W₂(RELU(W₁V+b₁))+b₂)，其中，V是嵌入交互得到的數(shù)據(jù)；a₁：原始嵌入特征的一列向量；e₁：原始嵌入特征經(jīng)過卷積層處理之后獲取的卷積嵌入的一列向量；c₁：a₁·e₁計算得到的結(jié)果；b₁、b₂：神經(jīng)網(wǎng)絡(luò)前向傳播的偏置向量，通過優(yōu)化算法和W₁、W₂同步進(jìn)行訓(xùn)練，其中W₁、W₂表示映射參數(shù)矩陣。

2.根據(jù)權(quán)利要求1所述的一種基于卷積協(xié)同過濾的電影組推薦方法，其特征在于：所述方法還包括：不定期將新的有效用戶按照規(guī)則組合成新的用戶組，通過所述卷積協(xié)同過濾推薦算法獲取新的用戶組的推薦商品信息。

3.根據(jù)權(quán)利要求2所述的一種基于卷積協(xié)同過濾的電影組推薦方法，其特征在于：所述用戶數(shù)據(jù)和商品內(nèi)容數(shù)據(jù)包括：用戶ID、用戶年齡、用戶性別、用戶所選偏好、用戶地址信息、用戶瀏覽信息、用戶購買信息、商品ID和商品所屬類別。

4.一種基于卷積協(xié)同過濾的電影組推薦系統(tǒng)，其特征在于：所述電影組推薦系統(tǒng)包括：

數(shù)據(jù)獲取模塊：用于獲取用戶數(shù)據(jù)和商品內(nèi)容數(shù)據(jù)組成用戶組，并處理成模型能識別的格式；

數(shù)據(jù)處理模塊：用于使用基于卷積協(xié)同過濾推薦算法對以上數(shù)據(jù)進(jìn)行處理，得到用戶組的推薦列表；

推薦模塊：用于給相關(guān)用戶組進(jìn)行推薦，同時獲取用戶的反饋數(shù)據(jù)，并將反饋數(shù)據(jù)返回給系統(tǒng)，處理成相應(yīng)格式，然后使用基于卷積協(xié)同過濾算法進(jìn)行數(shù)據(jù)處理計算推薦列表，繼續(xù)推薦商品給用戶組；

所述數(shù)據(jù)處理模塊包括：用戶組嵌入聚合單元、項目組嵌入聚合單元和特征交互學(xué)習(xí)單元；

所述用戶組嵌入聚合單元：通過注意力神經(jīng)網(wǎng)絡(luò)對用戶組的用戶數(shù)據(jù)進(jìn)行嵌入處理得到用戶權(quán)重，再對用戶的嵌入特征進(jìn)行加權(quán)聚合得到用戶組的嵌入特征；

所述項目組嵌入聚合單元：根據(jù)項目的屬性數(shù)據(jù)、項目ID，通過神經(jīng)網(wǎng)絡(luò)embedding算法對這些高維稀疏數(shù)據(jù)進(jìn)行embedding操作，將高維稀疏數(shù)據(jù)進(jìn)行降維轉(zhuǎn)化為低維度、稠密的嵌入特征向量；

所述特征交互學(xué)習(xí)單元：獲取用戶組和項目組的嵌入特征進(jìn)行融合，然后按照列進(jìn)行拼接，拼接之后將總的特征輸入到單通道卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作，最后將卷積操作輸出的數(shù)據(jù)輸入到全連接層網(wǎng)絡(luò)；

具體為：首先是卷積操作，當(dāng)進(jìn)行卷積操作時，假設(shè)卷積核為k*k,邊界填充設(shè)置為P,步長為S，假設(shè)輸入維度為H*W,那么輸出的維度，H變?yōu)閃變?yōu)榱罹矸e核k*k＝3*3，填充P＝1，步長S＝1，經(jīng)過卷積之后，輸入的維度256*96保持不變；

卷積之后，經(jīng)過卷積的嵌入和原始嵌入進(jìn)行元素點乘，V＝F(A,E)＝[a₁·e₁,···,a_f·e_f]＝[c₁,···,c_f]，其中，A表示原始嵌入，E表示卷積嵌入，V表示經(jīng)過卷積處理，能夠建模原始特征重要度的嵌入；

然后使用全連接層：s＝RELU(W₂(RELU(W₁V+b₁))+b₂)，其中，V是嵌入交互得到的數(shù)據(jù)；a₁：原始嵌入特征的一列向量；e₁：原始嵌入特征經(jīng)過卷積層處理之后獲取的卷積嵌入的一列向量；c₁：a₁·e₁計算得到的結(jié)果；b₁、b₂：神經(jīng)網(wǎng)絡(luò)前向傳播的偏置向量，通過優(yōu)化算法和W₁、W₂同步進(jìn)行訓(xùn)練，其中W₁、W₂表示映射參數(shù)矩陣。