[發明專利]用戶偏好預測方法、終端及存儲介質

在審

• 申請號: 202210076032.4
• 申請日: 2022-01-23
• 公開（公告）號: CN114491291A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 王巍;劉華真;杜雨晅;谷壬倩;魏忠誠
• 申請（專利權）人: 河北工程大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/04;G06N3/08;G06Q50/00
• 代理公司: 河北國維致遠知識產權代理有限公司 13137
• 代理人: 秦敏華

本發明提供了一種用戶偏好預測方法、終端及存儲介質，該方法包括：根據m個用戶與n個項目的歷史交互數據，構建顯式評分矩陣和隱式評分矩陣，顯式評分矩陣用于表示m個用戶對n個項目的顯式評分，隱式評分矩陣用于表示m個用戶對n個項目的隱式評分，顯式評分矩陣和隱式評分矩陣都是m行n列的矩陣；將顯式評分矩陣和隱式評分矩陣輸入預設置的矩陣分解與深度神經網絡聯合預測模型，得到預測結果，對于m個用戶中的每個用戶，預測結果包括該用戶對n個項目中每個項目的偏好程度的值。本發明能夠提高對用戶偏好的預測精度。

技術領域

本發明涉及深度學習技術領域，尤其涉及一種用戶偏好預測方法、終端及存儲介質。

背景技術

近些年，社交網絡媒體行業和電子商務行業的飛速發展，使互聯網用戶的參與人數大大提高。面對用戶瀏覽互聯網時產生的海量多源異構數據，如何對其進行精確有效地處理以提高推薦精度和用戶滿意度，仍舊是個性化推薦服務的研究熱點。

然而，現有的預測方法預測精度較低，用戶滿意度低。

發明內容

有鑒于此，本發明提供了一種用戶偏好預測方法、終端及存儲介質，能夠解決對用戶偏好預測精度低的問題。

第一方面，本發明實施例提供了一種用戶偏好預測方法，包括：

根據m個用戶與n個項目的歷史交互數據，構建顯式評分矩陣和隱式評分矩陣，所述顯式評分矩陣用于表示所述m個用戶對所述n個項目的顯式評分，所述隱式評分矩陣用于表示所述m個用戶對所述n個項目的隱式評分，所述顯式評分矩陣和所述隱式評分矩陣都是m行n列的矩陣；

將所述顯式評分矩陣和所述隱式評分矩陣輸入預設置的矩陣分解與深度神經網絡聯合預測模型，得到預測結果，對于所述m個用戶中的每個用戶，所述預測結果包括該用戶對所述n個項目中每個項目的偏好程度的值。

在一種可能的實現方式中，所述將所述顯式評分矩陣和所述隱式評分矩陣輸入預設置的矩陣分解與深度神經網絡聯合預測模型，得到預測結果包括：

根據所述顯式評分矩陣和所述隱式評分矩陣，分別確定所述用戶的潛在特征向量和所述項目的潛在特征向量；

根據所述用戶的潛在特征向量和所述項目的潛在特征向量，確定所述m個用戶對所述n個項目的淺層線性偏好特征和深層非線性偏好特征；

根據所述m個用戶對所述n個項目的淺層線性偏好特征和深層非線性偏好特征，通過預設置的激活函數，獲得所述預測結果。

在一種可能的實現方式中，所述根據所述顯式評分矩陣和所述隱式評分矩陣，分別確定所述用戶的潛在特征向量和所述項目的潛在特征向量包括：

根據所述顯示評分矩陣和所述隱式評分矩陣，通過正態隨機初始化，得到用戶的顯式潛在特征向量和隱式潛在特征向量，以及項目的顯式潛在特征向量和隱式潛在特征向量；

將所述用戶的顯式潛在特征向量和隱式潛在特征向量相加，得到所述用戶的潛在特征向量；

將所述項目的顯式潛在特征向量和隱式潛在特征向量相加，得到所述項目的潛在特征向量。

在一種可能的實現方式中，所述根據所述用戶的潛在特征向量和所述項目的潛在特征向量，確定所述m個用戶對所述n個項目的淺層線性偏好特征和深層非線性偏好特征包括：

對所述用戶的潛在特征向量和所述項目的潛在特征向量進行點積計算，作為預設置的矩陣分解模型的輸入，所述矩陣分解模型輸出所述m個用戶對所述n個項目的淺層線性偏好特征；

將所述用戶的潛在特征向量和所述項目的潛在特征向量作為預設置的深度神經網絡模型的輸入，利用所述深度神經網絡模型的多層感知機的隱藏層獲取所述m個用戶對所述n個項目的深層非線性偏好特征，其中，所述矩陣分解與深度神經網絡聯合預測模型包括所述矩陣分解模型和所述深度神經網絡模型。