[发明专利]一种面向青少年群体的个性化内容推荐方法

说明书

本发明公会开了一种面向青少年群体的个性化内容推荐方法，包括如下步骤，S1、收集用户对每条推荐内容的历史浏览行为，并将其作为神经网络模型的训练集；S2、构建神经网络模型；S3、将训练集进行预处理，并将进行预处理后的训练集纳入神经网络模型中，获取纳入结果，得到的纳入结果做均方误差计算，并以最小化均方误差结果为优化目标对神经网络模型进行模型训练；S4、选择用户，并在向其推荐内容时对向其推荐的内容进行推荐打分。优点是：提高推荐内容与用户年龄的符合度；提高了除用户历史兴趣之外的、符合用户年龄特征的内容曝光度，扩宽青少年用户视野；在总体保证内容与用户兴趣的符合度前提下，避免过度拟合用户的历史喜好及形成信息茧房。

技术领域

本发明涉及个性化推荐算法领域，尤其涉及一种面向青少年群体的个性化内容推荐方法。

背景技术

随着信息技术及网络技术的快速发展，全球信息出现爆发性增长，海量数据呈现在人们眼前，让人们在享受丰富的信息资源的同时，也困扰于如何获取到对自己真正有用的那部分信息。面对这种“数据超载”问题，出现了搜索引擎与推荐引擎这两种工具，帮助理解用户的信息需求；其中搜索引擎面向用户的显性意图，即用户有明确的信息获取需求；而推荐引擎则面向用户的隐性意图，即用户不具有明确的信息获取需求。其中推荐引擎，尤其是具备个性化推荐功能的推荐引擎，能较好的解决用户的隐性信息需求，所以个性化推荐技术在近些年受到越来越多人的重视，也逐渐成为内容服务商的重要需求之一。

因推荐引擎面向用户的隐性意图，因而如何获取用户的隐性意图成为了个性化推荐技术研究的重点，通常的手段都是基于用户的历史行为分析用户特征，进而形成用户的隐性意图。传统的技术方案有三类协同过滤技术：1、基于内容的协同过滤，即把用户的隐性意图等价于他以前喜欢的东西的特征；2、基于用户的协同过滤，即把用户的隐性意图等价于与他相似的其它用户所以喜欢的东西；3、基于矩阵分解的协同过滤，即把用户的隐性意图与内容的隐性特征通过矩阵运算求解为一组隐向量。前两种协同过滤技术的主要缺点在于，它们无法应对高维稀疏的数据场景，而最后一种基于矩阵分解的协同过滤技术，又因为计算量巨大无法快速进行模型更新,并且它无法处理隐特征之间的非线性关联，无法利用用户画像特征。

受基于矩阵分解的协同过滤技术的影响，近些年很多新的个性化推荐技术都将思路集中在用户隐性意图的隐式向量表达上，即用一组隐向量表达用户的信息需求。另外受近些年机器学习技术的发展，出现一批基于神经网络模型的个性化推荐技术，例如因子分解机、WideDeep神经网络等；但是在算法设计上，并没有为青少年用户群体做特定的考虑，一味追求ctr的高涨反而造成视野的逐渐收窄，长期形成的信息茧房，会扼杀青少年的创造性。

发明内容

本发明的目的在于提供一种面向青少年群体的个性化内容推荐方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种面向青少年群体的个性化内容推荐方法，包括如下步骤，

S1、收集用户对每条推荐内容的历史浏览行为，并将其作为神经网络模型的训练集；

S2、构建神经网络模型；

S3、将训练集进行预处理，并将进行预处理后的训练集纳入神经网络模型中，获取纳入结果，将得到的纳入结果做均方误差计算，并以最小化均方误差结果为优化目标对神经网络模型进行模型训练；

S4、选择用户，并在向其推荐内容时对向其推荐的内容进行推荐打分。

优选的，将所述训练集记为T，所述T表示如下，

T＝{＜X₁,y₁＞,＜X₂,y₂＞,...,＜X_N,y_N＞}