[发明专利]基于深度学习的协同过滤推荐方法、系统、设备及介质

权利要求书

1.一种基于深度学习的协同过滤推荐方法，其特征在于，包括：

获取待推荐的目标用户集和目标条目集，以及所述目标用户集和所述目标条目集对应的评价数据集；

提取所述评价数据集的目标共现特征，并获取所述目标共现特征对应的历史共现特征；所述目标共现特征和所述历史共现特征包括全局共现特征和局部共现特征；

将所述目标用户集、所述目标条目集、所述全局共现特征和所述局部共现特征输入至经过预训练的预测神经网络模型中，利用所述预测神经网络模型生成所述目标用户集和所述目标条目集的评分预测矩阵；

根据所述评分预测矩阵进行条目推荐。

2.根据权利要求1所述的基于深度学习的协同过滤推荐方法，其特征在于，所述提取所述评价数据集的目标共现特征的步骤，包括：

提取所述评价数据集的用户集和条目集，并基于所述用户集和所述条目集生成所述评价数据集对应的目标评分矩阵；

基于预设的约束模型提取所述目标评分矩阵的全局共现特征；所述全局共现特征包括所述用户集中的同一用户对第一条目和第二条目的评分相同的共现计数，以及第一用户和第二用户对所述条目集中的同一条目的评分相同的共现计数；

基于预设的独立评级模型提取所述目标评分矩阵的局部共现特征；所述局部共现特征包括所述用户集中的同一用户对第一条目和第二条目给出额定评分的共现计数，以及第一用户和第二用户对所述条目集中的同一条目给出额定评分的共现计数；

其中，所述第一条目和所述第二条目为所述条目集中的条目，所述第一用户和所述第二用户为所述用户集中的用户。

3.根据权利要求2所述的基于深度学习的协同过滤推荐方法，其特征在于，所述基于预设的约束模型提取所述目标评分矩阵的全局共现特征的步骤，包括：

基于预设的约束模型从所述目标评分矩阵中提取第一用户向量和第一条目向量；所述第一用户向量中的用户对同一条目的评分相同，所述第一条目向量由同一用户给出相同评分的条目构成；

获取所述约束模型对应的第一成本函数，根据所述第一成本函数对所述第一用户向量和所述第一条目向量进行表征学习，得到所述目标评分矩阵的全局共现特征。

4.根据权利要求2所述的基于深度学习的协同过滤推荐方法，其特征在于，所述基于预设的独立评级模型提取所述目标评分矩阵的局部共现特征的步骤，包括：

基于预设的评分独立模型从所述目标评分矩阵中提取第二用户向量和第二条目向量；所述第二用户向量由对同一条目给出额定评分的用户构成；所述第二条目向量由同一用户给出额定评分的条目构成；

获取所述评分独立模型对应的第二成本函数，根据所述第二成本函数对所述第二用户向量和所述第二条目向量进行表征学习，得到所述目标评分矩阵的局部共现特征。

5.根据权利要求1所述的基于深度学习的协同过滤推荐方法，其特征在于，所述预测神经网络模型包括全连通转换层、卷积变换层和合并层，所述利用所述预测神经网络模型生成所述目标用户集和所述目标条目集的评分预测矩阵的步骤，包括：

利用所述预测神经网络模型中的全连通转换层对所述全局共现特征进行处理，得到所述全局共现特征对应的目标全局特征；

利用所述预测神经网络模型中的卷积变换层对所述局部共现特征进行处理，得到所述局部共现特征对应的目标局部特征；

利用所述预测神经网络模型中的合并层对所述目标全局特征和所述目标局部特征进行合并预测，得到所述目标用户集和所述目标条目集的评分预测矩阵。