[发明专利]一种基于多GRU层神经网络的推荐方法与系统

说明书

本发明提供一种基于多GRU层神经网络的推荐方法和系统，其采用多GRU层神经网络模型对用户行为建模并用于推荐系统，通过结合BP算法或BPTT算法和本发明的神经网络结构，构建针对推荐系统的多GRU层神经网络模型学习方法，根据推荐系统的特点对多GRU层神经网络进行训练，建立独有神经网络结构，从而根据新的神经网络结构为不同用户生成与其兴趣爱好相对应的推荐列表。所述推荐方法和系统通过采用多GRU层神经网络从用户历史行为中学习用户偏好，并据此为用户提供推荐服务。通过多GRU层神经网络特有的递归结构，能够基于时间序列对不同类型的用户行为进行统一表示；且多GRU层神经网络能够进行多尺度时间序列分析，能够更精确的表示具有较大随机性的用户行为。

技术领域

本发明属于系统推荐技术领域，具体包括一种基于多GRU层神经网络的推荐方法和系统。

背景技术

当前，网络服务商为用户提供了诸如新闻、商品、图片、视频、音频、文档等(以下统一简称为物品)的在线推荐服务。为了更好的为用户提供服务，服务提供商会记录用户的历史行为，形成用户历史行为数据集，用于学习用户偏好，并据此为用户提供推荐服务，用户历史行为数据集有以下几个特点：

第一，用户历史行为数据集中记录了用户的多种行为，例如用户使用过哪些物品、对物品的评价、点击、转发、评论等；

第二，用户历史行为数据集记录了用户行为发生的时间，通常具有较长的时间跨度；

第三，用户历史行为数据集中包含了相当数量的噪声。

针对上述特点，如何有效利用用户历史行为数据集，为用户提供准确的推荐，是推荐系统面临的重大挑战，主要表现在：

第一，多种多样的用户行为具有诸多不同的含义。如何合理利用这些信息是推荐系统面临的重要问题。

第二，用户行为发生的时间顺序反映了用户偏好的变化过程，需要学习用户偏好随时间的变化规律，并加以合理利用。

第三，对噪声数据的处理和利用。

因此，如何有效从多种用户历史行为中学习用户偏好，并据此为用户提供推荐服务是本领域人员亟待解决的问题。

发明内容

针对现有技术的不足，本发明提供了一种包含多个GRU(Gated recurrent units)层的神经网络(neural network)，用于从多种用户历史行为中学习用户偏好，并据此为用户提供推荐服务。

一种基于多GRU层神经网络的推荐方法，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；建立包括输入层、中间层和输出层的GRU神经网络；所述中间层由多个GRU层构成；

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GRU神经网络进行训练，确定GRU神经网络中的权重矩阵；

S4，根据训练后的GRU神经网络为每一个用户生成推荐列表。

一种基于多GRU层神经网络的推荐系统，包括以下功能模块：

用户行为收集模块，用于手机用户对物品的历史行为，并建立包括输入层、中间层和输出层的GRU神经网络；所述中间层由多个GRU层构成；

训练样本生成模块，用于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；

权重矩阵确定模块，用于根据训练样本对多GRU层神经网络进行训练，确定GRU神经网络中的权重矩阵；