[发明专利]一种基于循环神经网络的seq2seq模型的电影推荐方法

说明书

本发明涉及一种基于循环神经网络的seq2seq模型的电影推荐方法，其特征在于包括以下步骤：一、训练数据预处理，生成用户观看序列对的训练数据集；二、对电影推荐模型的权值参数进行更新；三、采集用户观看电影的历史记录；四、以第三步中用户观看电影的历史记录为基础，使用训练好的模型推断出用户的观看电影序列；五、对第四步中的输出序列进行去重整合；六、输出推荐电影清单。本发明提出了一种根据用户观看电影的时间序列形成输入输出序列对，以构建循环神经网络模型，再运用BPTT优化技术估计模型参数，从而预测用户可能观看的电影序列的方法。本发明不仅更精准的为用户提供了观看电影的参考，还提升了电影观看平台方的用户吸引力。

技术领域

本发明涉及一种基于循环神经网络的seq2seq模型的电影推荐方法。

背景技术

为了解决传统推荐系统存在的冷启动，数据稀疏性，准确率低等问题，基于机器学习的推荐模型得到广泛关注，主要有基于贝叶斯模型和基于矩阵分解模型用于解决数据稀疏性和可扩展的问题，基于马尔科夫链和马尔科夫决策过程的推荐系统用于解决用户兴趣动态变化问题。深度学习模型在图像分类，语言识别和自然语言处理等方面有相当突出的表现。而其中循环神经网络主要用于对序列数据进行建模并作出预测，这正好符合了我们想要捉住用户兴趣动态变化的需要。越来越多研究将深度学习跟推荐算法结合，跟传统的推荐算法相比，深度学习可以更好地挖掘出用户的需求，物品的特征和两者之间的交互信息。协同过滤系统即是利用其他用户与物品之间的交互信息而做出推荐，我们提出的模型也正是基于这一原理。特别的是利用循环神经网络将交互信息压缩成一个向量，再进一步处理，使代表用户历史信息的向量可以得到解释和利用，从而更好得到实际应用。

发明内容

本发明针对现有技术的不足，提供一种基于循环神经网络的seq2seq模型的电影推荐方法。本发明提出了一种根据用户观看电影的时间序列形成输入输出序列对，以构建循环神经网络模型，再运用BPTT(Back Propagation Trough Time)优化技术估计模型参数，从而预测用户可能观看的电影序列的方法。本发明不仅可以更精准的为用户提供了观看电影的参考，而且提升了电影观看平台方的用户吸引力。

seq2seq模型是一个有记忆的模型，我们先将用户观看电影的序列分成两部分；在每个时间节点上向encoder的一个单元输入一个item_i，在下一个时间节点上在输入下一个item_i+1,这样连续下去直到前半部分结束；seq2seq通过这个过程记住了用户观看电影的习惯(前后观看的电影可能存在某种联系)，将这个习惯用encoder最后的输出向量表示，再将这个向量作为decoder的输入，经过训练后在decoder输出用户可能观看的电影序列。

为了达到上述目的，本发明基于一种基于循环神经网络的seq2seq模型的电影推荐方法，主要包括以下步骤：

第一步、训练数据预处理，即对用户在电影观看平台上的历史观看数据进行清洗，生成用户观看序列对的训练数据集，即将序列切分成长短不一的两部分；

第二步、对电影推荐模型的权值参数进行更新；

第三步、采集用户在电影平台上的观看电影的历史记录；

第四步、以用户以往的观看记录为基础，使用训练好的模型推断用户的观看电影序列；

第五步、对输出序列进行去重整合；

第六步、输出推荐电影清单。

优选地，所述电影推荐模型为基于循环神经网络的seq2seq模型的模型。

优选地，所述电影推荐模型的参数模型表示为：输入为(x₁,...,x_T)的条件下，求出条件概率p(y₁,...,y_T′|x₁,...,x_T)；