基于协同过滤和深度学习的个性化推荐方法及系统.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CN112598462A(43)申请公布日2021.04.02(21)申请号202011510007.X(22)申请日2020.12.19(71)申请人武汉大学地址430072湖北省武汉市武昌区珞珈山武汉大学(72)发明人吴黎兵闵姝文全聪(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222代理人严彦(51)Int.Cl.G06Q30/06(2012.01)G06F16/9535(2019.01)G06F16/9536(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书10页附图2页(54)发明名称基于协同过滤和深度学习的个性化推荐方法及系统(57)摘要本发明提供一种基于协同过滤和深度学习的个性化推荐方法及系统，包括获取用户购买商品的历史行为特征数据，并进行预处理，将用户的购买行为按照时间进行排序，排序后的数据称为用户的行为特征序列；个性化推荐系统建模，包括从交互矩阵中获取用户和商品的输入向量，然后分别生成用户和商品的嵌入向量，再经过注意力神经网络对嵌入向量进行加权，加权后的嵌入向量再进行线性和非线性的交互，从而获取用户和商品之间的显式和隐式关系，最后进行用户对商品的点击率预估；使用用户行为特征序列进行模型的训练和测试。本发明充分挖掘了用户的和商品的协同信号，为捕捉用户的个性化需求提供基础，能够提高推荐系统准确度和可解释性。CN112598462ACN112598462A权利要求书1/3页1.一种基于协同过滤和深度学习的个性化推荐方法，其特征在于，包括以下步骤，步骤1，获取用户购买商品的历史行为特征数据，并进行预处理，将用户的购买行为按照时间进行排序，排序后的数据称为用户的行为特征序列；步骤2，个性化推荐系统建模，所述个性化推荐系统包括依次设置的如下部分，输入层，用于将用户的编码和商品的编码分别表示为用户输入向量和商品输入向量，所述用户的编码包括用户的多热编码和用户的独热编码，所述商品的编码包括商品的多热编码和商品的独热编码；嵌入层，用于将用户输入向量和商品输入向量降维，得到用户的嵌入向量和物品的嵌入向量；所述用户u的嵌入向量包括其历史购买商品对应的嵌入向量的集合，构成用户u的嵌入特征；所述商品v的嵌入向量包括其历史购买者对应的嵌入向量的集合，构成商品v的嵌入特征；注意力神经网络，用于对嵌入向量进行加权，包括对于每一个用户计算出其历史购买商品的注意力权重，以衡量用户u偏向于购买哪些物品；对于每一个物品计算出其历史购买者的注意力权重，以衡量物品v偏向于被哪些用户购买；交互层，用于将加权后的隐向量进行线性和非线性的交互，获取用户和商品之间的显式和隐式关系；融合层和输出层，用于进行用户对商品的点击率预估，包括对交互层中线性和非线性子部分得到的输出进行融合，得到最后的用户和目标商品之间的交互关系，再据此计算用户购买目标商品的概率，概率越大，则购买的可能性越大；步骤3，使用用户行为特征序列进行模型的训练和测试，对测试的商品通过点击率的高低进行排序，然后选取前若干项进行推荐。2.根据权利要求1所述的一种基于协同过滤和深度学习的个性化推荐方法，其特征在于：在步骤1中，需要获取的数据包括所有用户的ID值，所有商品的ID值，以及所有用户的购买记录，并将用户的购买记录按照购买时间进行排序；选择用户最近一次的购买记录作为模型的测试集，倒数第二次购买记录作为模型的验证集，其余购买记录作为模型的训练集；构建隐式反馈交互矩阵M，矩阵大小为m×n，m表示用户的数量，n表示商品的数量，矩阵中的数值为1表示用户购买过此商品，数值为0表示用户未购买过此商品；矩阵的第i行表示ID值为i的用户的购买记录，矩阵的第j列表示ID值为j的商品被购买记录。3.根据权利要求2所述的一种基于协同过滤和深度学习的个性化推荐方法，其特征在于：在输入层中，针对每一个用户，使用交互矩阵M中其ID值对应的行对其进行编码，称之为用户的多热编码；针对每一个商品，使用交互矩阵M中其ID值对应的列对其进行编码，称之为商品的多热编码；同时，对每一个用户的ID和每一个物品的ID进行独热编码表示。4.根据权利要求3所述的一种基于协同过滤和深度学习的个性化推荐方法，其特征在于：在嵌入层中，采用两个嵌入矩阵来对用户输入向量和商品输入向量进行降维，实现如下，用于对用户特征降维的嵌入矩阵为P∈Rm×k，其中m表示用户的数量，k表示低维空间的维度，用于对商品特征降维的嵌入矩阵为Q∈Rn×k，其中n表示物品的数量，k表示低维空间的维度；针对每一个用户u，都能够在嵌入矩阵P中找到其ID值对应的嵌入向量tu，然后在嵌入矩2CN112598462A权利要求书2/3页阵Q中找到