基于深度学习的神经协同过滤推荐模型优化系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113722596A(43)申请公布日2021.11.30(21)申请号202111025375.X(22)申请日2021.09.02(71)申请人北京工业大学地址100020北京市朝阳区平乐园100号(72)发明人石宇良马腾宇(74)专利代理机构亳州速诚知识产权代理事务所(普通合伙)34157代理人张辉(51)Int.Cl.G06F16/9535(2019.01)G06F16/9536(2019.01)G06K9/62(2006.01)G06N3/02(2006.01)权利要求书1页说明书3页(54)发明名称基于深度学习的神经协同过滤推荐模型优化系统(57)摘要本发明公开了基于深度学习的神经协同过滤推荐模型优化系统。本发明中，先进行数据的处理，收集相关数据集，并对目前现有的数据集进行清洗、打标签等一系列的数据处理，使之适合于推荐系统问题；为以后的实验提供优质的数据；步骤S1中，首先对国内外现有的各种预处理方法进行分析和比较，了解各自的优缺点以及适用场景，并选择合适的方法对实验数据进行预处理，提出对NCF模型进行改进方法，以提高推荐的准确率，引入更多特征增加传统NCF模型的表达能力，引入注意力机制以提升推荐准确率，从而使得过滤推荐的准确性得到了极大的提高，为使用者带来了更多的便利。CN113722596ACN113722596A权利要求书1/1页1.基于深度学习的神经协同过滤推荐模型优化系统，其特征在于：所述基于深度学习的神经协同过滤推荐模型优化系统包括以下步骤：S1:先进行数据的处理，收集相关数据集，并对目前现有的数据集进行清洗、打标签等一系列的数据处理，使之适合于推荐系统问题；为以后的实验提供优质的数据；S2:进行推荐模型的设计，先针对目前的特殊场景设计出一个有针对性的推荐模型，来完成对模型的训练，保证推荐项目的准确性和召回率；S3:再进行模型的优化，模型完成后需要根据实验结果，对模型的结构和参数进行针对性的调整，从而提高模型的准确率；S4:针对深度学习在推荐算法中的应用研究；针对不同的推荐算法深度学习模型进行研究，总结各自的优缺点及适用场景；S5:在具体的基础研究的基础之上，完成对数据集的预处理，深度学习模型的设计；然后，进行编码，训练，实验，根据所得的实验结果对网络模型或超参数进行相应的调整；最后，得到最终结果，改进的NCF模型；S6:针对NCF模型在推荐系统中的应用，深入理解其内部原理S7:根据现有资料，提出对NCF模型进行改进方法，以提高推荐的准确率；S8:使用验证数据集验证结果的准确性，并统计准确率。2.如权利要求1所述的基于深度学习的神经协同过滤推荐模型优化系统，其特征在于：所述步骤S1中，首先对国内外现有的各种预处理方法进行分析和比较，了解各自的优缺点以及适用场景，并选择合适的方法对实验数据进行预处理。3.如权利要求1所述的基于深度学习的神经协同过滤推荐模型优化系统，其特征在于：所述步骤S2中，可以通过引入用户和物品信息以外的特征，再通过Embedding层的编码生成同样长度的稠密特征向量来进行特征交叉处理，为模型带来更强的表达能力。4.如权利要求1所述的基于深度学习的神经协同过滤推荐模型优化系统，其特征在于：所述步骤S3中，通过引入注意力机制来引入更多有效信息，从而提高模型的准确性。5.如权利要求1所述的基于深度学习的神经协同过滤推荐模型优化系统，其特征在于：所述步骤S4中，针对NCF模型在推荐系统中的应用，深入理解其内部原理；最后，还需要根据现有资料，提出对NCF模型进行改进方法，以提高推荐的准确率。6.如权利要求1所述的基于深度学习的神经协同过滤推荐模型优化系统，其特征在于：所述步骤S4中，推荐算法经典的深度学习其中包括BRP、eALS、NeuralCF等，了解每种算法模型的优缺点，以及使用场景，为后序做算法优化提供参考依据。7.如权利要求1所述的基于深度学习的神经协同过滤推荐模型优化系统，其特征在于：所述步骤S5中，针对NeuralCF推荐模型，进行深度剖析并理解其原理、实现方式以及性能指标，设计并改进基于NCF模型的推荐算法。2CN113722596A说明书1/3页基于深度学习的神经协同过滤推荐模型优化系统技术领域[0001]本发明属于软件工程技术领域，具体为基于深度学习的神经协同过滤推荐模型优化系统。背景技术[0002]随着科学技术的发展，互联网逐渐遍布了我们生活的各个角落。近些年来我国互联网普及率在逐年升高，网民数量也在逐年增加。人类社会已经进入了一个前所未有的信息时代。信息时代所面临的最大问题就是信息过载。最近出现的信息过载已导致生产力下降，沮丧感增加以及整体上更负面的用户体验。例如，用户现在通常花费更多时间尝试在N