[发明专利]一种推荐方法、装置、设备及存储介质

说明书

本发明适用计算机技术领域，提供了一种推荐方法、装置、设备及存储介质，该方法包括：获取用户的历史评分数据、待评分物品以及待评分物品的文本内容，根据用户的历史评分数据、待评分物品以及待评分物品的文本内容，对预设的栈式降噪自编码器和预设的概率矩阵分解模型进行训练，得到用户特征矩阵、物品特征矩阵以及对应的物品隐藏特征和用户隐藏特征，根据用户特征矩阵、物品特征矩阵以及对应的物品隐藏特征和用户隐藏特征，计算用户对待评分物品的预测评分，根据预测评分生成推荐列表，并向用户输出推荐列表，从而在向用户推荐物品时结合物品特征和用户特征，有效地提高了推荐的准确率，进而提高了物品的推荐效率。

技术领域

本发明属于计算机技术领域，尤其涉及一种推荐方法、装置、设备及存储介质。

背景技术

随着互联网技术的日新月异，用户的生活方式发生了重大的改变。在信息琳琅满目、竞争激励的互联网时代，如何帮助用户快速准确的挑选出其感兴趣的物品，对一个互联网企业至关重要。基于上述问题，推荐系统技术应运而生。协同过滤技术是推荐系统中使用最广、最受欢迎的一项技术。常用的协同过滤技术有基于最邻近方法和基于模型的方法。基于模型的方法又细分为聚类模型、贝叶斯分类模型、隐因子模型、图模型，其中对于隐因子模型的研究效果最好。

基于隐因子模型的研究可以从物品隐因子和用户隐因子两个方面进行研究。CWang等人提出的协同主题回归模型(Collaborative Topic Regression，简称CTR)利用主题模型(Latent Dirichlet Allocation，简称LDA)从物品内容描述中捕获物品隐因子，并对概率矩阵分解(Probabilistic Matrix Factorization,PMF)模型分解出的物品特征矩阵进行约束，得到了很好的推荐性能。但是CTR存在的一个问题是当物品的描述信息稀疏时，通过LDA学习的物品隐藏特征是不充分有效的。对此，Hao Wang等人提出利用栈式降噪自编码器(Stacked Denoising Autoencoder，简称SDAE)替换LDA从物品内容描述中学习更加丰富有效的物品隐藏特征的深度协同模型(Collaborative Deep Learning，简称CDL)，通过深度模型在学习隐藏特征方面的优势，CDL取得了比CTR更好的推荐效果。但是它们都只考虑了物品特征对推荐性能的影响，没有考虑用户特征对推荐的影响。

发明内容

本发明的目的在于提供一种推荐方法及装置，旨在解决现有技术推荐准确率不高，导致推荐效果不好的问题。

一方面，本发明提供了一种推荐方法，所述方法包括下述步骤：

获取用户的历史评分数据、待评分物品以及待评分物品的文本内容，所述历史评分数据包括已评分物品的文本内容；

根据所述用户的历史评分数据、待评分物品以及待评分物品的文本内容，对预设的栈式降噪自编码器和预设的概率矩阵分解模型进行训练，得到用户特征矩阵、物品特征矩阵以及对应的物品隐藏特征和用户隐藏特征；

根据所述用户特征矩阵、所述物品特征矩阵以及所述对应的物品隐藏特征和用户隐藏特征，计算所述用户对待评分物品的预测评分；

根据所述预测评分生成推荐列表，并向所述用户输出所述推荐列表。

另一方面，本发明提供了一种推荐装置，所述装置包括：

数据获取单元，用于获取用户的历史评分数据、待评分物品以及待评分物品的文本内容，所述历史评分数据包括已评分物品的文本内容；

模型训练单元，用于根据所述用户的历史评分数据、待评分物品以及待评分物品的文本内容，对预设的栈式降噪自编码器和预设的概率矩阵分解模型进行训练，得到用户特征矩阵、物品特征矩阵以及对应的物品隐藏特征和用户隐藏特征；

评分计算单元，用于根据所述用户特征矩阵、所述物品特征矩阵以及所述对应的物品隐藏特征和用户隐藏特征，计算所述用户对待评分物品的预测评分；以及