[發(fā)明專利]一種基于深度聚類的資訊信息智能推薦方法

有效

• 申請?zhí)枺?/td>: 202011366221.2
• 申請日: 2020-11-29
• 公開（公告）號: CN112417289B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設計）人: 廖南星;胡巖峰;段賀;包興;張堯;吳俊彥
• 申請（專利權）人: 中國科學院電子學研究所蘇州研究院
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00;G06F18/23;G06N3/0464;G06N3/08
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 封睿

本發(fā)明提出了一種基于深度聚類的資訊信息智能推薦方法，對來源不同的數(shù)據(jù)，在各自領域內對數(shù)據(jù)分別編碼，得到數(shù)據(jù)在各自領域內的向量表示；構建基于深度神經(jīng)網(wǎng)絡的變分自編碼器，對給定向量進行壓縮處理，得到多源數(shù)據(jù)在統(tǒng)一向量空間下的嵌入向量表示，并進行數(shù)據(jù)重建；綜合重構損失、參數(shù)重整化約束和聚類損失構建損失函數(shù)，訓練基于深度神經(jīng)網(wǎng)絡的變分自編碼器，確定網(wǎng)絡模型層數(shù)、權值、重參數(shù)的最優(yōu)組合，以及基于該變分自編碼器的聚類中心；基于訓練好的變分自編碼器，確定給定感興趣信息的嵌入向量表示，根據(jù)感興趣信息的嵌入向量到各聚類中心的距離，完成資訊信息智能推薦。本發(fā)明提高了關聯(lián)資訊信息推薦的準確度和效率。

技術領域

本發(fā)明涉及人工智能交互領域，具體涉及一種基于深度聚類的資訊信息智能推薦方法。

背景技術

隨著數(shù)據(jù)信息搜集手段、處理分析方法的快速發(fā)展，使得用戶能夠獲得大量的不同類型、不同粒度、不同時空的數(shù)據(jù)資源，但是也會使得用戶需要耗費很大的時間精力才能從海量的數(shù)據(jù)中發(fā)掘有效信息資源，以致出現(xiàn)“數(shù)據(jù)泛濫”和“信息匱乏”的矛盾，即一方面數(shù)據(jù)信息呈指數(shù)級增長，另一方面用戶可以利用到的高價值數(shù)據(jù)信息相對匱乏。

目前，信息智能推薦是解決該問題最直接有效的方法，信息智能推薦是以推薦算法為核心，利用知識發(fā)現(xiàn)、數(shù)據(jù)挖掘、機器學習、人工智能等多種方法為用戶提供合適的數(shù)據(jù)資源，信息智能推薦能夠根據(jù)用戶個性化需求，主動為用戶提供合適的信息，并且當用戶需求變化時，數(shù)據(jù)信息智能推薦也能自適應變化，及準確地為用戶提供個性化、智能化、動態(tài)化的數(shù)據(jù)資源。

智能推薦的核心是推薦方法，常見的推薦方法有協(xié)同過濾推薦算法、基于內容的推薦算法和組合推薦算法。目前，推薦算法理論研究也有一定的成果。胡旭等人(胡旭，魯漢榕，陳新，等.初始聚類中心優(yōu)化的K－均值項目聚類推薦算法[J].空軍預警學院學報，2014，28(3):203－207.)為緩解協(xié)同過濾推薦算法的數(shù)據(jù)稀疏、擴展性差問題，提出了初始聚類中心優(yōu)化的K-means項目聚類推薦算法；Liu等人(Liu?D?R,Lai?C?H,Lee?W?J.Ahybrid?ofsequential?rules?and?collaborative?filtering?for?productrecommendation[J].Information?Sciences,2009,179(20):3505-3519.)提出矩陣降維和奇異值分解，在一定程度上緩解了數(shù)據(jù)稀疏問題；Fu等人(Fu?Yong-ping,Qiu?Yu-hui.Method?of?personalized?collaborative?filtering?recommendation?based?onBayesian?network[J].Computer?Science,2016,43(9):266-268.(in?Chinese))0針對數(shù)據(jù)稀疏問題，提出基于RBM?(RestrictedBoltzmannMachine，受限玻爾茲曼機)的協(xié)同過濾算法，通過對高維數(shù)據(jù)自動降維處理來緩解數(shù)據(jù)稀疏問題，該方法對比奇異值分解法，效果明顯有所提升；Liao等人(Liao?S?H,Chang?A?K.A?rough?set-based?association?ruleapproach?for?a?recommendation?system?for?online?consumers[J].InformationProcessing?Management,2016,52(6):1142-1160.)針對提出的RBM協(xié)同過濾算法，提出了對比散度的訓練方法，有效縮短了RBM模型訓練的時間，但是該模型并沒有考慮到不同用戶之間的差異性；因此，F(xiàn)u等人(Fu?M,QuH,YiZ,etal.A?novel?deep?learning-basedcollaborative?filtering?model?for?recommendation?system[J].IEEE?Transactionson?Cybernetics,2019,49(3):1084-1096.)通過將外部信息融入?yún)f(xié)同過濾算法，利用用戶之間的相似度，綜合多種方法，來提高推薦方法的準確度；Schafer?等人(Schafer?J?B,FrankowiskiD,HerlockerJ,etal.Collaborative?filtering?recommender?systems[M].Berlin?Heidelberg:Springer,2007:29-34.)通過折疊、混合、加權等方法隨機組合不同的推薦方法，來提高推薦方法的推薦精度。