[发明专利]一种基于卷积神经网络的红酒推荐方法

权利要求书

1.一种基于卷积神经网络的红酒推荐方法，其特征在于，具体步骤如下：

(1)获取到红酒评论数据，对不同种类红酒口感评论进行分词，提取特征，建立不同红酒口感类别的标签，建立文本数据集W1；

(2)搭建深度学习CNN卷积神经网络模型；

(3)通过循环调节M模型中的超参数，使用已经提取的不同种类红酒口感的特征词，具体包括：

(3.1)定义D₁为待处理文本数据，D₁＝{Name₁,Text₁}；其中Name₁和Text₁分别为口感标签和评价内容；

(3.2)定义循环变量i₁＝32来遍历CNN文本分类中的超参数，词向量维度即embedding-dim，卷积核数目即num_filters，全连接层神经元即hidden-dim，设置梯度变量为10；

(3.3)当32＝i₁＝503时执行步骤(3.4)，否则执行步骤(3.16)；

(3.4)定义循环变量k，并且初始值为k＝1；

(3.5)将红酒文本分批，每批包含64个文本；

(3.6)当k＝20时执行步骤(3.8)，否则执行步骤(3.7)；

(3.7)i₁＝i₁+10；

(3.8)将训练集文本W₄中的内容构建词汇表W₅，读取词汇表中内容；

(3.9)将序列化文本中的超参数序列长度、分类数、学习效率、词向量维度、卷积核数目、全连接层神经元输入，再将W₅经处理所获得的词向量集合W₃映射得到W₆；

(3.10)经过卷积层，再经过以tanh函数为激活函数的神经网络，得到W₇；

(3.11)W₇经过池化层Maxpooing和三层连接的压平卷积，得到W₈；

(3.12)最后经过全连接层和以ReLU为激活层的神经网络，得到W₉；

(3.13)计算每个类的交叉熵损失，给定分数和正确的输入标签；

(3.14)利用优化器Adam，计算得到的梯度来更新梯度，经过偏置校正后，每一次迭代学习效率确定准确范围，进而更新参数；

(3.15)k＝k+1；

(3.16)模型训练完毕；

(4)训练的模型用于红酒推荐。

2.根据权利要求1所述的一种基于卷积神经网络的红酒推荐方法，其特征在于，所述步骤(1)中建立文本数据集W1的具体步骤如下：

(1.1)设原始文本的数据集W₁＝{X_1n,X_2n,…,X_mn}，其中m代表为多少种红酒口感的类别，n表示多名人士对不同红酒的评价；

(1.2)定义T为单个文本信息集，N为单个文本标签，C为单个文本的内容，并且满足关系T＝{N,C}；

(1.3)定义W₁,W₂分别为文本数据集和文本标签数据集，定义a为文本数据集中的数据总量，W₁＝{T₁,T_2,T₃,…,T_a}，W₂＝{N₁,N₂,…N_a}，其中T_m为W₁中第m个文本标签信息数据，N_m为W₂中第m个文本标签，其中m∈[1,a]；

(1.4)对原始W₁中的每一条文本进行序列化，由词序列中的元素转化为词向量集合W₃，再构建词汇表，添加一个PAD来将所有文本pad为同一长度；

(1.5)构建词汇索引并将每个单词映射到所属的整数，表示词汇量大小；每个句子都成为整数的向量。