[發(fā)明專利]一種基于改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)算法的推薦召回方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110873501.0
• 申請(qǐng)日: 2021-07-30
• 公開(kāi)（公告）號(hào): CN113569155B
• 公開(kāi)（公告）日: 2022-05-03
• 發(fā)明（設(shè)計(jì)）人: 李欣悅;陳武;肖倫山;鐘侃;李楊柳
• 申請(qǐng)（專利權(quán)）人: 西南大學(xué)
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06K9/62;G06N3/04
• 代理公司: 西安正華恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61271
• 代理人: 傅曉

本發(fā)明公開(kāi)了一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)在線召回方法及系統(tǒng)，對(duì)目標(biāo)用戶交互數(shù)據(jù)進(jìn)行時(shí)間序列化過(guò)濾，得到用戶?對(duì)象交互記錄，并對(duì)用戶?對(duì)象交互記錄進(jìn)行基于交互記錄的對(duì)象類別特征提取，得到對(duì)象類別特征，并利用改進(jìn)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)用戶?對(duì)象交互記錄與對(duì)象類別特征進(jìn)行融合預(yù)測(cè)，得到召回生成結(jié)果；本發(fā)明充分挖掘了用戶交互記錄的時(shí)間特性以及交互對(duì)象的類別信息，使召回生成結(jié)果兼顧用戶偏好挖掘的準(zhǔn)確性和及時(shí)性，填補(bǔ)了直接交互數(shù)據(jù)的缺失，為后續(xù)推薦方法提供了可靠輸入，并通過(guò)融合對(duì)象類別特征增大原始數(shù)據(jù)規(guī)模，豐富了推薦召回集合，緩解數(shù)據(jù)稀松問(wèn)題，并利用改進(jìn)循環(huán)RNN神經(jīng)網(wǎng)絡(luò)為用戶提供更加準(zhǔn)確推薦結(jié)果，提升用戶體驗(yàn)。

技術(shù)領(lǐng)域

本發(fā)明涉及信息檢索技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)算法的推薦召回方法及系統(tǒng)。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，基于互聯(lián)網(wǎng)的信息提供平臺(tái)已十分豐富。為提高用戶對(duì)平臺(tái)的粘度，如何在海量信息基礎(chǔ)上為用戶提供準(zhǔn)確的信息推薦，特別是提供個(gè)性化的推薦召回，已成為現(xiàn)在急需解決的問(wèn)題。

現(xiàn)有技術(shù)中公開(kāi)了一種基于用戶評(píng)論的推薦算法，通過(guò)獲取用戶對(duì)目標(biāo)商品的評(píng)論集及對(duì)某一商品的所有評(píng)論集，根據(jù)這兩個(gè)評(píng)論集及用戶的購(gòu)買歷史記錄構(gòu)造用戶和商品的對(duì)象類別向量，并構(gòu)造對(duì)象類別矩陣，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取商品的交互對(duì)象類別，最終進(jìn)行推薦；只是通過(guò)對(duì)用戶與商品的間接評(píng)論文本數(shù)據(jù)進(jìn)行處理與挖掘，沒(méi)有充分挖掘商品和用戶之間發(fā)生的直接用戶交互行為數(shù)據(jù)，特別是這種數(shù)據(jù)的時(shí)間序列化屬性，這導(dǎo)致該算法在推薦準(zhǔn)確度比較低；

現(xiàn)有技術(shù)中還公開(kāi)了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦算法，通過(guò)使用商品的交互數(shù)據(jù)和商品的類別信息構(gòu)造Rating-RNN神經(jīng)網(wǎng)絡(luò)和Category-RNN神經(jīng)網(wǎng)絡(luò)，通過(guò)兩個(gè)模型的混合使用得到融合神經(jīng)網(wǎng)絡(luò)模型Mixing-RNN，最終進(jìn)行推薦；使用模型需要大量的序列化的數(shù)據(jù)作為模型訓(xùn)練基礎(chǔ)，但是它無(wú)視了交互對(duì)象的類別信息，無(wú)法計(jì)算出或者較為準(zhǔn)確的計(jì)算出用戶的興趣點(diǎn)，將無(wú)法提供準(zhǔn)確的推薦結(jié)果。

目前的推薦系統(tǒng)存在以下兩個(gè)問(wèn)題：

1、對(duì)用戶行為數(shù)據(jù)的時(shí)間屬性利用率不足；

2、面對(duì)數(shù)據(jù)稀疏性問(wèn)題時(shí)性能發(fā)揮受限。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供了一種基于改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)算法的推薦召回方法及系統(tǒng)。

為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：

一方面，一種基于改進(jìn)循環(huán)神經(jīng)網(wǎng)絡(luò)算法的推薦召回方法，包括以下步驟：

S1、對(duì)目標(biāo)用戶交互數(shù)據(jù)進(jìn)行時(shí)間交互序列化過(guò)濾，得到用戶-對(duì)象交互記錄；

S2、根據(jù)步驟S1中用戶-對(duì)象交互記錄提取目標(biāo)用戶的交互對(duì)象類別特征；

S3、基于改進(jìn)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)步驟S1中用戶-對(duì)象交互記錄與步驟S2中交互對(duì)象類別特征進(jìn)行融合預(yù)測(cè)，得到召回生成結(jié)果。

本發(fā)明具有以下有益效果：

對(duì)目標(biāo)用戶交互數(shù)據(jù)進(jìn)行時(shí)間交互序列化過(guò)濾，得到用戶-對(duì)象交互記錄，并根據(jù)用戶-對(duì)象交互記錄提取目標(biāo)用戶的交互對(duì)象類別特征，并利用改進(jìn)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)用戶-對(duì)象交互記錄與交互對(duì)象類別特征進(jìn)行融合預(yù)測(cè)，得到召回生成結(jié)果，充分挖掘了用戶交互記錄的時(shí)間特性以及交互對(duì)象的類別信息，使召回生成結(jié)果兼顧用戶偏好挖掘的準(zhǔn)確性和及時(shí)性，緩解數(shù)據(jù)稀松性問(wèn)題，提高推薦結(jié)果準(zhǔn)確性，為用戶提供更加準(zhǔn)確的推薦功能，提升用戶體驗(yàn)。

進(jìn)一步地，所述步驟S1具體包括以下分步驟：

S11、對(duì)目標(biāo)用戶交互數(shù)據(jù)進(jìn)行數(shù)據(jù)清理；

S12、對(duì)步驟S11中清理后交互數(shù)據(jù)進(jìn)行時(shí)間序列范圍內(nèi)過(guò)濾，得到目標(biāo)用戶在預(yù)設(shè)時(shí)間范圍內(nèi)用戶-對(duì)象交互行為信息；