[发明专利]一种基于lambdaMart的神经协同过滤模型推荐方法

说明书

本发明提供一种基于lambdaMart的神经协同过滤模型推荐方法，所述方法包括以下步骤：S1：输入用户信息，所述用户信息包括用户基本信息和电影评论信息，所述电影评论信息包括已评分电影信息和未评分电影信息；S2：嵌入层将用户信息映射为用户特征向量，将电影评论信息映射为电影特征向量；S3：将用户特征向量、电影特征向量输入到神经协同过滤模型中，提取高阶特征信息，同时提取排序信息；S4：对高阶特征信息和排序信息进行处理获得推荐结果并输出。提出LM‑NCF模型，通过改进神经协同过滤模型，利用多层感知机的非线性特征处理提取隐含高阶特征信息以及lambdaMart个性化排序算法提取排序信息，使推荐更加精准。

技术领域

本发明涉及个性化推荐技术领域，尤其涉及一种基于lambdaMart的神经协同过滤模型推荐方法。

背景技术

随着科学技术的发展，网上数据也越来越多，使得用户在面对庞大的信息超载时无法获得真正有用的信息，对信息的使用效率大大降低，个性化推荐是解决信息超载的有效方法，通过该方法进行推荐可以更好的把握用户的观影习惯，为用户提供优质的电影推荐。

目前实现电影推荐采用的方法有：基于inception结构的神经网络协同过滤推荐算法、基于深度学习的混合推荐模型、基于噪声检测修正和神经网络的稀疏数据推荐算法和融合注意力和记忆网络的序列推荐算法。

其中基于inception结构的神经网络协同过滤推荐算法，充分利用商品评论信息，提高商品推荐系统精度，对NCF神经网络协同过滤模型进行改进，模型与Inception结构的卷积神经网络相结合，将商品评论信息融入模型进行预测和推荐。该项技术得不足之处是，推荐系统使用NCF-i模型进行离线训练会得到更优秀的推荐结果，但是由于使用神经网络的计算比较复杂，当用户和商品规模巨大时，会消耗大量的资源以及时间，因此无法将模型应用于实时在线推荐。

基于深度学习的混合推荐模型，针对传统的矩阵分解算法，仅利用评分信息作为推荐依据，当评分数据稀疏时，不能准确获取隐式反馈，影响推荐的准确性，充分利用辅助信息进行隐式特征的提取成为研究热点之一，提出一种基于深度学习的推荐模型HRS-DC，利用深度神经网络和卷积神经网络从辅助信息中分别提取出用户和项目的隐性特征向量，再将特征向量经过改进的神经协同过滤得出新的评分矩阵。该项技术的不足之处是NCF的网络层数，隐因子的维度等参数还没有找到最佳值，只是找到相对比较优化的值，对预测的准确性还有待提高，在稀疏性和冷启动问题上还有待提高。

基于噪声检测修正和神经网络的稀疏数据推荐算法，将用户和项目按评分分别分类为高分类、中等类和低分类，根据分类结果检测评分矩阵的奇异点，对奇异点做简单地修正处理。建立基于兴趣关系的受限玻尔兹曼机模型，将用户对项目的兴趣关系以及项目的次级信息作为条件受限玻尔兹曼机的输入，预测目标用户的top-k推荐列表。该项技术的不足之处是受限RBM的训练过程较为复杂，并且需要微调超参数，因此无法适用于动态的大数据推荐应用，例如：新闻推荐、股票推荐等实时数据流场景。需要引入参数较少的神经网络模型，并且研究神经网络的增量，技术提高推荐算法的实时性。

融合注意力和记忆网络的序列推荐算法，根据Word2vec算法，引申item2vec和user2vec，初始化用户和项目的固定表示嵌入矩阵，通过结合注意力机制和长短期记忆网络(LongShort-TermMemory，LSTM)解决序列之间的长距离依赖性差和区分度差问题。利用记忆网络获取用户的动态邻居，加强用户的动态表示，实现更准确的推荐。该技术的不足之处是在使用i-tem2vec学习项目向量表示时，少数项目不在训练集中，即冷启动项目，对于没有标签的项目，还需进一步处理才能适用，现实生活中存在大量冷项目，以及RNN的输入序列是在时间轴上位置相邻，没有考虑两项目之间时间间隔的影响。

发明内容

鉴以此，本发明的目的在于提供一种基于lambdaMart的神经协同过滤模型推荐方法，以解决现有的电影推荐方法所存在的上述问题。