[發明專利]一種基于卷積協同過濾的電影組推薦方法及系統

有效

• 申請號: 202010696335.7
• 申請日: 2020-07-20
• 公開（公告）號: CN112016000B
• 公開（公告）日: 2021-08-10
• 發明（設計）人: 楊青;李賀永
• 申請（專利權）人: 桂林電子科技大學
• 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權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

本發明涉及一種基于卷積協同過濾的電影組推薦方法及系統，所述推薦方法包括：通過運營商獲取用戶數據和商品內容數據組成用戶組，并處理成模型能識別的格式；使用基于卷積協同過濾推薦算法對以上數據進行處理，得到用戶組的推薦列表；給相關用戶組進行推薦，同時獲取用戶的反饋數據，并將反饋數據返回給系統，處理成相應格式，然后使用基于卷積協同過濾算法進行數據處理計算推薦列表，繼續推薦商品給用戶組。本發明的優點在于：將用戶嵌入和項目嵌入特征進行線性融合之后，直接將處理的融合嵌入向量送入單層的卷積神經網絡；會減少很多的參數。可以有效的提高模型的推薦商品的命中率。

技術領域

本發明涉及推薦服務技術領域，尤其涉及一種基于卷積協同過濾的電影組推薦方法及系統。

背景技術

隨著社會發展越來越快，人們在上網時每天都要篩選很多信息；為了解決信息過載的問題，推薦系統被廣泛應用于電子商務平臺、移動app等在線信息系統中。一個高效的推薦系統不僅可以帶給服務商流量和利潤，同時，還可以幫助用于挑選出他們更感興趣的商品。

傳統的推薦算法往往沒有應用神經網絡在系統中，這導致系統性能還有很大的提升空間，而今年來，有推薦系統已經應用到各種神經網絡中，但是他們大多是多層感知機等前向傳播網絡，存在著參數復雜繁多的問題，導致系統訓練模型需要花費很長的時間；同時，傳統的推薦系統往往是對單個用戶進行推薦他們感興趣的商品，這樣的推薦系統的效率相對于組推薦的效率是很低的。

發明內容

本發明的目的在于克服現有技術的缺點，提供了一種基于卷積協同過濾的電影組推薦方法及系統，解決了目前推薦方法存在的不足。

本發明的目的通過以下技術方案來實現：一種基于卷積協同過濾的電影組推薦方法，所述推薦方法包括：

通過運營商獲取用戶數據和商品內容數據組成用戶組，并處理成模型能識別的格式；

使用基于卷積協同過濾推薦算法對以上數據進行處理，得到用戶組的推薦列表；

給相關用戶組進行推薦，同時獲取用戶的反饋數據，并將反饋數據返回給系統，處理成相應格式，然后使用基于卷積協同過濾算法進行數據處理計算推薦列表，繼續推薦商品給用戶組。

進一步地，所述基于卷積協同過濾推薦算法對數據進行處理包括注意力神經網絡的用戶組嵌入聚合步驟、項目組嵌入聚合步驟和卷積協同過濾的特征交互學習步驟；所述注意力神經網絡的用戶組嵌入聚合步驟包括：

收集處理原始數據并進行清洗重組，得到用戶數據和項目數據；

采用注意力神經網絡對用戶組的用戶數據進行嵌入處理，通過整個模型學習該用戶從屬于某個特定組的加權權重；

根據所述該用戶從屬于某個特定用戶組的加權權重對用戶的嵌入特征進行加權聚合，從而得到該用戶組的嵌入特征。

進一步地，所述卷積協同過濾的特征交互學習步驟包括：

將獲取用戶組的嵌入特征和項目組的嵌入特征按照對應元素做點乘的方式融合，并將融合后的結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據的維度；

將獲取的數據維度的融合特征送入卷積神經網絡進行卷積操作處理；

將卷積操作輸出的數據輸入到全連接層網絡，繼續對模型訓練，不斷提高模型準確度。

進一步地，所述項目組嵌入聚合步驟包括：根據項目的屬性數據、項目ID，通過神經網絡embedding算法對這些高維稀疏數據進行embedding操作，將高維稀疏數據進行降維轉化為低維度、稠密的嵌入特征向量。

進一步地，所述方法還包括：不定期將新的有效用戶按照規則組合成新的用戶組，通過所述卷積協同過濾推薦算法獲取新的用戶組的推薦商品信息。