[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

说明书

本发明公开了一种基于改进深度信念网络的电影推荐方法及系统，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；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。将推荐系统与深度学习结合，通过高效地提取用户对电影的历史评论数据，为目标用户制定个性化电影推荐，提高推荐系统的推荐质量。

技术领域

本发明涉及深度学习技术领域，特别是涉及一种基于改进深度信念网络的电影推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前，推荐系统在电子商务平台上已经得到广泛应用，推荐系统可以为平台用户提供个性化推荐，提升用户对平台的体验效果，同时帮助企业更好的推荐商品，进而获得更大利益，因此越来越多的电商网站应用推荐系统，如亚马逊的商品推荐、豆瓣的音乐推荐、新闻推荐等。通过推荐系统，不仅能为企业带来利润，还能满足用户的兴趣。

但是，推荐系统仍然面临数据稀疏性问题，推荐系统进行推荐的前提是获取用户的行为数据，只有充分了解该用户的兴趣爱好，才能对目标用户做精准的推荐，但是，若存在用户对项目的评论记录是缺失的，则会导致推荐质量的下降，如MovieLens数据集，用户很少对电影进行评分，电影评级数据的稀疏性导致无法对用户做个性化电影推荐，也是导致电影推荐系统质量下降的主要原因。

目前，解决数据稀疏性的有效方法是矩阵填充技术，将其他用户对此项目的平均值填充到评分矩阵中，但是这种方法没能考虑到用户的偏好习惯，不能从根本上解决稀疏性问题；深度学习中深度模型将用户的评分作为训练样本，通过神经网络的层层学习，对输入层的用户数据进行特征提取，从而预测缺失评分值。但是，当评分数据在稀疏的情况下，只考虑目标用户的评分记录很难学习到用户特征。

深度信念网络(Deep Belief Network，DBN)通过建立多层次表示模型表征样本数据的内部结构，即通过从低到高逐层地提取样本特征，从而获得样本数据更抽象的表示；然而针对如何确定模型结构和大小的描述在文献中很少见到。DBN的网络结构一般由经验得出，设定好网络结构，包括每层神经元个数和隐含层层数后便不再改变，承担更高的计算代价。

目前，DBN的研究在人工智能领域产生深远的影响，并且广泛应用于机器学习、模式识别、特征提取与数据挖掘领域中，然而网络结构的复杂程度，决定复杂问题的求解能力；因此，DBN的网络结构越复杂，对复杂问题的求解能力就越强。

在训练DBN的过程中，神经元个数越多、隐含层层数越深，训练就越困难，相应的训练时间就越长；同时，训练误差也在不断积累，导致模型的正确率不高；在实际应用中，DBN要针对不同的任务场景建立不同的网络结构，但是，由于缺乏相应的理论支持和高效的训练方法，需要根据经验设置网络参数，致使在建模过程中出现模型运行效率低、模型性能差的问题。因此，为了防止DBN训练精度不高或数据过拟合，DBN自主构建最佳网络结构是非常必要的。

随着对神经网络的深入研究，目前已经提出多种方法改进神经网络模型，如通过自组织结构确定人工神经网络结构，但是，当自组织结构应用到DBN上时，自组织结构会变得非常复杂，大大加重计算负担；同时，自组织结构的网络参数需要反复进行初始化，没有充分利用前面学习到的先验知识，这是自组织结构确定神经网络结构的劣势。因此，如何自主构建DBN最佳网络结构并获得良好性能也成为目前需解决的问题。

发明内容

为了解决上述问题，本发明提出了一种基于改进深度信念网络的电影推荐方法及系统，将推荐系统与深度学习结合，通过高效地提取用户对电影的历史评论数据，为目标用户制定个性化电影推荐，提高推荐系统的推荐质量。