[发明专利]一种基于深度学习的信息推荐方法

权利要求书

1.一种基于深度学习的信息推荐方法，其特征在于，包括以下步骤：

S1、将数据集输入至推荐系统中；

S2、在推荐系统中，通过对数据集依次在召回阶段、排序阶段及深度学习模型的特征处理阶段进行数据处理，获得信息推荐结果。

2.根据权利要求1所述的基于深度学习的信息推荐方法，其特征在于，所述步骤S2，在所述召回阶段，通过改进PMF模型形成的PSPMF模型对输入数据集进行处理，获取数据集对应的矩阵分解结果。

3.根据权利要求2所述的基于深度学习的信息推荐方法，其特征在于，所述PSPMF模型对输入数据集进行处理的方法具体为：

A1、构建消费者之间的兴趣相似度和商品之间的商品相似度；

A2、融合消费者兴趣相似度和商品相似度，构建受同种兴趣影响的矩阵；

A3、根据构建的集合，确定具有高斯分布特性的相似消费者先验概率的特征矩阵方程，及物品先验概率的特征矩阵方程；

A4、基于构建的两个特征矩阵方程，确定融合了消费者兴趣相似度和商品兴趣相似度的目标函数；

A5、采用SGD算法对目标函数进行求解，得到受同种兴趣影响的矩阵对应的矩阵分解结果。

4.根据权利要求3所述的基于深度学习的信息推荐方法，其特征在于，所述步骤A1中，所述消费者之间的兴趣相似度S由相似度S_L1(c_i,v_j)和相似度S_L2(c_i,c_j)加权组合而成，其计算公式为：

S＝uS_L1(c_i,v_j)+(1-u)S_L2(c_i,c_j)

式中，u为权值；

其中，相似度S_L1(c_i,v_j)的值由第i个消费者与第j个消费者对同一特征标签之间的评分值与评分数量确定，其计算公式为：

式中，和为第i个消费者c_i与第j个消费者c_j各自的特征标签集合，和分别为第i个消费者c_i与第j个消费者c_j各自对应的特征标签的评分，和分别为第i个消费者c_i与第j个消费者c_j各自所有特征标签的评分的均值；

相似度S_L2(c_i,c_j)的值由第i个消费者对第j个消费者不同特征标签的关注数目的余弦相似度确定，其计算公式为：

式中，分别为第i个消费者c_i与第j个消费者c_j的特征标签数目，L为特征标签数目集合，L＝{l₁,l₂,...,l_n}；

所述步骤A1的商品相似度S_L3(v_i,v_j)的计算公式为：

式中，分别为第i个商品v_i与第j个商品v_j共同的特征标签数目。

5.根据权利要求4所述的基于深度学习的信息推荐方法，其特征在于，所述步骤A2中，受同种兴趣影响的集合包括第i个消费者具有同种兴趣相似度的矩阵C_i及第i个物品具有同种兴趣相似度的矩阵V_i；

其中，集合C_i的表达式为：

式中，C_i'为原本消费者矩阵，J_ix为第i个消费者具有同种兴趣用户的相似度值；

式中，V_i'为原本商品矩阵，K_iy为第i个商品具有同种兴趣用户的相似度值。