[发明专利]一种基于改进深度信念网络的电影推荐方法及系统

权利要求书

1.一种基于改进深度信念网络的电影推荐方法，其特征在于，包括：

根据目标用户的电影评论记录、每部电影评论总数以及与目标用户具有相同评论记录的用户数得到每部电影的权重，以此构建目标用户的评论特征向量；

采用TF-IDF权重计算每部电影的权重，包括：

根据每部电影评论总数以及与目标用户具有相同评论记录的用户数得到逆用户频率；

根据目标用户的电影评论记录与平均阈值的比较结果得到目标用户关于电影的偏好程度值；

根据逆用户频率与偏好程度值得到该电影的权重；

根据目标用户的评论特征向量计算评论相似度，将评论相似度高于阈值的用户构建相似用户集；

采用知识迁移法构建深度信念网络，并基于偏最小二乘法对深度信念网络模型进行优化后，得到训练后的深度信念网络；

将目标用户与相似用户集的电影评论记录输入至训练后的深度信念网络中，输出电影推荐结果。

2.如权利要求1所述的一种基于改进深度信念网络的电影推荐方法，其特征在于，初始化基本深度信念网络，包括输入层、隐含层和输出层，输入层包括可见层和相似用户层，所述可见层输入目标用户的电影评论记录，所述相似用户层输入相似用户的电影评论记录；

由多层RBM有序堆叠组成的概率生成深度信念网络，使用无监督逐层贪婪方法依次训练每个RBM，每个RBM的隐含层映射到不同的特征空间，层级越高的隐含层获得更加抽象的特征，最后的隐含层与顶层的输出层构成联想记忆层，联想记忆层关联其余各层的最优网络权值参数；

通过对比散度算法获得网络权值参数，采用有监督偏最小二乘回归方法对网络权值参数进行微调，完成深度信念网络预训练。

3.如权利要求1所述的一种基于改进深度信念网络的电影推荐方法，其特征在于，扩展深度信念网络宽度即增加新的隐含层，每次增加的隐含层数量为初始深度信念网络隐含层数量的一倍，并用两倍高维权重矩阵替代初始权重，引入随机映射函数，更新网络权值参数，进行深度信念网络预训练。

4.如权利要求1所述的一种基于改进深度信念网络的电影推荐方法，其特征在于，扩展深度信念网络深度即增加新的隐含层，新的隐含层数量初始设置为与下一层单元数量相同，增加新的隐含层后，进行深度信念网络预训练。

5.如权利要求1所述的一种基于改进深度信念网络的电影推荐方法，其特征在于，根据目标用户与相似用户集的电影评论记录以及网络权值参数提取所有隐含层的特征向量矩阵；

提取特征向量矩阵的第一成分，以最大化第一成分的协方差为目标函数，得到第一成分的回归方程及残差矩阵；

以第一成分的残差矩阵作为第二成分代替第一成分，得到第二成分的回归方程，依次迭代，直到得到最佳主成分个数的期望输出；

建立期望输出的偏最小二乘回归方程，输出优化后的网络参数权重矩阵。

6.如权利要求1所述的一种基于改进深度信念网络的电影推荐方法，其特征在于，将目标用户的电影评论记录作为深度信念网络可见层的输入，将相似用户集的电影评论记录作为深度信念网络相似用户层的输入，得到未被评论的电影评分预测值，将预测值排序后，选取前N部电影推荐给目标用户。