[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

说明书

本发明提供一种基于深度学习的协同过滤推荐方法、系统、设备及介质，所述方法包括：获取待推荐的目标用户集和目标条目集，以及目标用户集和目标条目集对应的评价数据集；提取评价数据集的目标共现特征，并获取目标共现特征对应的历史共现特征；目标共现特征和历史共现特征包括全局共现特征和局部共现特征；将目标用户集、目标条目集、全局共现特征和局部共现特征输入至经过预训练的预测神经网络模型中，生成目标用户集和目标条目集的评分预测矩阵；根据评分预测矩阵进行条目推荐。通过提取用户和条目的全局共现和局部共现，确定用户‑用户和条目‑条目的相关性，并利用神经网络模型捕获用户和条目的交互关系进行条目推荐，提高了推荐准确性。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于深度学习的协同过滤推荐方法、系统、设备及介质。

背景技术

随着信息技术的发展，为了实现精准营销或者向用户提供更加优质的服务，产生了基于协同过滤的推荐方法，该方法能够掌握用户和所考虑的条目之间的相互作用或相互关系。然而，现有的基于协同过滤的推荐方法只能掌握单一类型的关系，例如捕获用户-用户或条目-条目关系的相关性，而忽略了用户与条目之间的交互，影响了推荐准确性。

发明内容

本发明提供一种基于深度学习的协同过滤推荐方法、系统、设备及介质，用以解决现有技术中基于协同过滤的推荐方法仅捕获用户或条目的相关性，忽略了用户与条目之间的交互导致推荐准确度较低的缺陷。

本发明提供一种基于深度学习的协同过滤推荐方法，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。

在一个实施例中，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。

在一个实施例中，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。

在一个实施例中，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：