[发明专利]一种基于多GRU层神经网络的推荐方法与系统

权利要求书

1.一种基于多GRU层神经网络的推荐方法，其特征在于，包括用于表示用户偏好的多GRU层神经网络，所述多GRU层神经网络包括输入层、中间层和输出层；所述中间层由多个GRU层构成；所述方法包括以下步骤：

S1，收集用户对物品的历史行为，每条记录为一个四元组(u,i,a,t)，其中u是用户编号，a是行为的类别，i是行为针对的物品的编号，t是行为发生的时间；

S2，按照行为发生时间对每一个用户记录的历史行为进行先后排序；并针对每一个用户生成相应的训练样本；

S3，根据训练样本对设计的多GRU层神经网络进行训练，确定多GRU层神经网络中的权重矩阵；

S4，根据训练后的多GRU层神经网络为每一个用户生成推荐列表；

所述多GRU层神经网络的结构为：

所述输入层的输入包括用户信息u(t)、t时刻用户行为信息a(t)以及t时刻用户行为的目标物品信息v(t)，所述输出层的输出包括t时刻输出层的输出o(t)；

构成中间层的每个所述GRU层均包括重置门r、更新门z、t时刻输出s(t)、t-1时刻输出s(t-1)以及替代隐藏层g；每个GRU层的t时刻输出s_i(t)(i＝0,1,...,L)为该层的输出，其为一个h×1的向量，h为GRU层的维数；

构成中间层的第0个GRU层GRU₀的重置门r₀为一个h×1的向量，t时刻重置门r₀的计算方法为：

其中，分别表示输入层u(t)、a(t)、v(t)、s₀(t-1)连接到GRU₀中的重置门r₀的权重矩阵；σ是sigmoid函数，σ(x)＝1/(1+e^-x)；

GRU₀的更新门z₀为一个h×1的向量，t时刻更新门z₀的计算方法为：

其中，分别表示输入层u(t)、a(t)、v(t)、s₀(t-1)连接到GRU₀中的更新门z₀的权重矩阵；

GRU₀的替代隐藏层g₀为一个h×1的向量，t时刻g₀的计算方法为：

其中，分别表示输入层u(t)、a(t)、v(t)、s₀(t-1)连接到GRU₀中的替代隐藏层g₀的权重矩阵；表示按对应元素相乘；

t时刻GRU₀的输出s₀(t)为一个h×1的向量，其计算方法为：

构成中间层的第l(l＝1,2,...,L)个GRU层GRU_l的重置门r_l为一个h×1的向量，t时刻重置门r_l的计算方法为：

其中，W_l^r,V_l^r,Y_l^r分别表示u(t)、a(t)、v(t)、s_l(t-1)、s_l-1(t)连接到GRU_l中的重置门r_l的权重矩阵；

GRU_l的更新门z_l为一个h×1的向量，t时刻更新门z_l的计算方法为：

其中，W_l^z,V_l^z,Y_l^z分别表示u(t)、a(t)、v(t)、s_l(t-1)、s_l-1(t)连接到GRU_l中的更新门z_l的权重矩阵；

GRU_l的替代隐藏层g_l为一个h×1的向量，t时刻g_l的计算方法为：

其中，W_l^g,V_l^g,Y_l^g分别表示u(t)、a(t)、v(t)、s_l(t-1)、s_l-1(t)连接到GRU_l中的替代隐藏层g_l的权重矩阵；

t时刻GRU_l的输出s_l(t)为一个h×1的向量，其计算方法为：

t时刻输出层的输出o(t)为一个h×1的向量，o(t)的第k个元素表示用户喜欢第k个物品的概率，o(t)计算方法为：

o(t)＝softmax(Ys_L(t))

其中，Y是第L个GRU层GRU_L连接到输出层的权重矩阵，