一种基于多平台融合的深度学习推荐方法以及系统技术方案

本发明专利技术公开了一种基于多平台融合的深度学习推荐方法，该方法包括：多平台用户关系构建，从通用的社交平台和/或特定领域采集用户及交互关系，从而构建用户之间社交关系，用户之间社交关系分为一级好友和二级好友；矩阵分解神经协同过滤模型的构建，通过融合MF和LSTM构建模型；对模型进行训练，通过互联网已公开的数据集对上述得到的模型进行训练；对训练完成的模型进行反馈修正，根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正。本发明专利技术还提供了基于多平台融合的深度学习推荐方法的系统。本发明专利技术改进了推荐算法，实现了更快的收敛速度和更优的推荐效果。现了更快的收敛速度和更优的推荐效果。现了更快的收敛速度和更优的推荐效果。

【技术实现步骤摘要】
一种基于多平台融合的深度学习推荐方法以及系统


[0001]本专利技术涉及推荐系统领域，具体地，涉及一种基于多平台融合的深度学习推荐方法以及系统。

技术介绍

[0002]随着互联网技术的高速发展，网络上的信息爆发式增长，人们享受巨量信息资源带来的便利，用户可以通过指定关键词的搜索来解决对特定信息的需求，早前的信息检索是通过查询的方式进行信息筛选，但是仍然无法自动地为当前用户提供可能喜爱的信息，在这一背景下，新兴的推荐系统恰到好处地解决这一痛点问题，即依据用户历史记录，推测用户兴趣需求，并实时地为用户推荐可能喜爱的产品，它的产生不仅可以挖掘用户的潜在兴趣，提升用户体验，而且可以促进产品推广，提高实体制造的积极性。
[0003]传统的推荐系统算法中经典的便是协同过滤的推荐算法，其主要分为基于用户的协同过滤和基于物品的协同过滤，基本思想根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品，基于用户的协同过滤是给用户推荐和他兴趣相似的其他用户喜欢的产品，而基于物品的协同过滤给用户推荐和他之前喜欢的物品相似的物品，但是存在稀疏性、冷启动困难等缺点，尤其是当新用户初始使用时，由于数据不足，导致无法对该用户进行推荐或者无法准确地进行推荐。

技术实现思路

[0004](一)解决的技术问题
[0005]为解决上述技术问题，本专利技术提供了一种基于多平台融合的深度学习推荐方法及系统，该方法通过融合多平台信息，结合深度学习算法有效解决了初始使用的新用户由于数据不足导致推荐不准确或无法进行推荐的问题。
[0006](二)技术方案
[0007]为了解决上述存在的技术问题，实现专利技术目的，本专利技术是通过以下技术方案实现的：
[0008]一种多平台融合的深度学习推荐方法，包括以下步骤：
[0009]步骤1：多平台用户关系构建
[0010]从通用的社交平台和/或特定领域采集用户及交互关系，从而构建用户之间社交关系，用户之间社交关系分为一级好友和二级好友。其中，一级好友为与元用户直接产生社交关系的好友，例如与元用户关注关系，直接好友关系或是与元用户产生过直接交互，例如点赞，发送消息等。二级好友为与元用户不产生直接社交关系，但是有相同的社交圈的用户，例如加入相同组群，购买过相同或相似的产品等。由此获得一级好友和二级好友组成的好友用户集合以及好友交互物品的物品集合。
[0011]步骤2：矩阵分解神经协同过滤模型的构建
[0012]由步骤1得到的好友用户以及物品集合作为模型的输入层输入；
[0013]通过MF嵌入层和LSTM嵌入层映射成输入到MF层和LSTM层的用户和物品特征向量，好友用户集合以及物品集合通过时间排序；
[0014]进行矩阵分解：通过嵌入层得到好友用户特征向量和物品特征向量，定义神经协同过滤模型中的第一层的映射函数，然后映射向量到输出层。
[0015]构建长短期记忆网络：通过LSTM来捕获用户和物品的时间依赖性，对时序信息循环计算以挖掘上下文关系，通过构造用户状态和物品状态进行自回归计算，对推荐系统中的用户行为序列进行分析，模型通过上一时刻的用户和物品状态预测此时的用户和物品状态，然后预测此时用户和物品进行交互地可能性。
[0016]建立输出层：将MF层和LSTM层输出的向量进行融合。
[0017]步骤3：对模型进行训练
[0018]通过互联网已公开的数据集对步骤2得到的模型进行训练。
[0019]步骤4：对训练完成的模型进行反馈修正
[0020]根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正，具体为，若基于用户y推荐的物品被元用户交互，则根据交互的等级进行正反馈修正，若基于用户y推荐的物品未被元用户交互，则进行负反馈修正。
[0021]进一步地，步骤1还具体包括：
[0022]一级好友采用直接获取的方式获取用户信息；通过用户注册账号所用邮箱或者手机号码获取其在其他平台的直接好友信息；
[0023]二级好友采用挖掘好友方式获取；
[0024]设物品数为n，用户数目为m，构建关系矩阵A
n
×
m
＝{a
ij
}和权重矩阵B
n
×
m
＝{b
ij
}。其中：a
ij
表示用户了对物品i是否产生交互行为，若产生交互则赋值1，否则为0，权重矩阵B
n
×
m
根据点击，浏览，收藏，购买，评价几种交互类型依次设置赋值分别为1
‑
5，若用户仅点击该物品，没有进行后续操作，则赋值1，如果用户进行了浏览，但没有收藏，购买和评价，则赋值2，若用户进行了收藏，但未购买和评价，则赋值3，若用户进行了购买，但未评价，则赋值4，若用户在购买后进行了评价，则赋值5。
[0025]用户x，y之间的兴趣相似度C
xy
为：
[0026][0027]其中：I(x)表示用户x关注的物品集合，I(y)表示用户y关注的物品集合，Ix，y＝I(x)∩I(y)，表示用户x，y共同感兴趣的物品集合；b
ix
为用户x对物品i的关注度，b
iy
为用户y对物品i的关注度，U(i)表示所有关注过物品i的用户集合，∑
j∈U(i)
b
ij
表示所有关注过i物品的用户的关注度之和；|I(x)|表示x用户关注的物品总数，|U(i)|表示关注i物品的用户数量，以上各个参数均可通过关系矩阵A
n
×
m
和权重矩阵B
n
×
m
获得。当兴趣相似度C
xy
大于阈值T，则将用户y选定为用户x的二级好友。
[0028]进一步地，步骤2还具体包括：
[0029]矩阵分解步骤中，神经协同过滤模型中的第一层的映射函数定义为：
[0030][0031]其中，m
u
为嵌入层得到的用户特征向量，n
i
为嵌入层得到的物品特征向量，
⊙
表示
向量的点积；然后将向量映射到输出层，具体输出向量为：
[0032]其中，a
out
为输出层激活函数，h为边缘权重。
[0033]构建长短期记忆网络步骤中，通过上一时刻的用户和物品状态预测此时的用户和物品状态具体为：
[0034]p
u，t+1
＝g(p
u，t
，r
ui|t
)
ꢀꢀꢀꢀ
(3)
[0035]q
u，t+1
＝h(q
u，t，
r
ui|t
)
ꢀꢀꢀꢀ
(4)
[0036]其中，p
u，t+1
为预测t+1时刻用户交互的可能性；q
u，t+1
预测t+1时刻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多平台融合的深度学习推荐方法，其特征在于包括以下步骤：S1、多平台用户关系构建，具体为从通用的社交平台和/或特定领域采集用户及交互关系，从而构建用户之间社交关系，用户之间社交关系分为一级好友和二级好友；S2、矩阵分解神经协同过滤模型的构建，由S1得到的好友用户以及物品集合作为模型的输入层输入；通过 MF 嵌入层和 LSTM 嵌入层映射成输入到 MF 层和 LSTM 层的用户和物品特征向量，好友用户集合以及物品集合通过时间排序；进行矩阵分解：通过嵌入层得到好友用户特征向量和物品特征向量，定义神经协同过滤模型中的第一层的映射函数，然后映射向量到输出层；构建长短期记忆网络：通过 LSTM 来捕获用户和物品的时间依赖性，对时序信息循环计算以挖掘上下文关系，通过构造用户状态和物品状态进行自回归计算，对推荐系统中的用户行为序列进行分析，模型通过上一时刻的用户和物品状态预测此时的用户和物品状态，然后预测此时用户和物品进行交互地可能性；建立输出层：将 MF 层和LSTM 层输出的向量进行融合；S3：对模型进行训练，通过互联网已公开的数据集对S2得到的模型进行训练；S4：对训练完成的模型进行反馈修正，根据元用户对推荐物品的交互对元用户与推荐用户之间的相似性进行修正，具体为，若基于用户y推荐的物品被元用户交互，则根据交互的等级进行正反馈修正，若基于用户y推荐的物品未被元用户交互，则进行负反馈修正。2.根据权利要求1所述的基于多平台融合的深度学习推荐方法，其特征在于，所述步骤S1具体包括：一级好友采用直接获取的方式获取用户信息；通过用户注册账号所用邮箱或者手机号码获取其在其他平台的直接好友信息；二级好友采用挖掘好友方式获取。3.根据权利要求2所述的基于多平台融合的深度学习推荐方法，其特征在于，所述挖掘好友方式包括：设物品数为n，用户数目为m，构建关系矩阵和权重矩阵；其中:a
ij
表示用户了对物品i是否产生交互行为，若产生交互则赋值1，否则为0，权重矩阵根据点击，浏览，收藏，购买，评价几种交互类型依次设置赋值分别为1
‑
5，若用户仅点击该物品，没有进行后续操作，则赋值1，如果用户进行了浏览，但没有收藏，购买和评价，则赋值2，若用户进行了收藏，但未购买和评价，则赋值3，若用户进行了购买，但未评价，则赋值4，若用户在购买后进行了评价，则赋值5；用户x,y之间的兴趣相似度为：其中:I(x)表示用户x关注的物品集合，I(y)表示用户y关注的物品集合,Ix,y= I(x) ∩ I(y)，表示用户x,y共同感兴趣的物品集合；为用户x对物品i的关注度，为用户y对物品i的关注度, 表示所有关注过物品i的用户集合，表示所有关注过i物品的用户的关注度之和；表示x用户关注的物品总数，表示关注i物品的用户数量，以上各个参数均可通过关系矩阵和权重矩阵获得；当兴趣相似度大于阈值T，则将用户y选定为用户x的二级好友。4.根据权利要求1所述的基于多平台融合的深度学习推荐...

【专利技术属性】
技术研发人员：江元元，
申请(专利权)人：创络上海数据科技有限公司，
类型：发明
国别省市：