[发明专利]一种基于深度学习的信息推荐方法

说明书

本发明公开了一种基于深度学习的信息推荐方法，包括：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。本发明提出了改进的概率矩阵分解模型，并且融入了消费者或者商品的个人兴趣、偏好等，能够对RS召回的目的性与准确性有所提升；同时构建了一个基于深度神经网络的FWHFM模型，将特征域对嵌入矩阵与特征嵌入向量的产生的FHWFM交互层与原本的特征向量层进行拼接，在通过深度神经网络DNN进行训练，其点击率估计效果明显优于其他深度模型；基于本发明对推荐系统中两个模型的改进，提升了信息推荐过程中的信息推荐的准确性。

技术领域

本发明属于信息推荐技术领域，具体涉及一种基于深度学习的信息推荐方法。

背景技术

处于信息爆炸的新纪元，各种网络产品已经与我们生活的方方面面不可分割。无论是衣食住行还是学习、工作和娱乐。网络服务不仅在给予我们方便与快捷的同时，同样也给我们带来炸裂式的海量信息。大量同质化，没有深度的信息铺天盖地，大量热门消息聚集的同时，许多信息却又被“冷落”，不能被很好的利用。在尤为讲究个性化的现代社会，人们多样性的需求得不到满足，个体差异化得不到体现，因此各类信息的过滤与推荐方式成为现今工业与学术届争相研究的问题，各类推荐工具在互联网中应运而生。

推荐系统的基本定义为：推荐系统是充分利用用户的信息画像，利用用户的兴趣偏好。对其可能感兴趣的物品与内容进行预测，推荐相应的物品。核心在于深度挖掘与获取用户不同偏好的信息。因此，推荐系统的本质，不外乎就是搭建用户“消费者偏好”与“产品特有属性”的桥梁。通过一定的关联方式，在一定的情形下为消费者推荐其会产生偏好的东西。终达双赢的局面。对于推荐系统性能好坏高低的判断与评价确认便成为一个十分重要的问题。一般衡量推荐系统的效果往往是多维度的，用推荐内容符合用户满意程度的满意度；感兴趣内容都被推荐出来的丰富度；推荐内容品类的多样性，推荐的及时性等等，衡量系统内容相对均匀曝光程度等等。

发明内容

针对现有技术中的上述不足，本发明提供的基于深度学习的信息推荐方法解决了现有的推荐系统中存在的数据稀疏和存在冷启动的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的信息推荐方法，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。

进一步地，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。

进一步地，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。

进一步地，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：