[发明专利]一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法在审
| 申请号： | 201910292355.5 | 申请日： | 2019-04-12 |
| 公开（公告）号： | CN110059220A | 公开（公告）日： | 2019-07-26 |
| 发明（设计）人： | 张延华;王倩雯;付琼霄;张文博;李庆;陈冰容 | 申请（专利权）人： | 北京工业大学 |
| 主分类号： | G06F16/735 | 分类号： | G06F16/735;G06F16/9535 |
| 代理公司： | 北京思海天达知识产权代理有限公司 11203 | 代理人： | 刘萍 |
| 地址： | 100124 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐算法，属于电影推荐技术领域。在众多推荐系统中，矩阵分解模型因为其准确高效，易于实现得到广泛应用，但矩阵分解原理是将用户评分矩阵分为用户与项目特征向量，当评分矩阵稀疏时，推荐准确度将大大降低，为了解决这个问题，本方法将深度学习与基于协同的推荐算法相结合，利用堆栈自编码器学习用户与项目的辅助信息，贝叶斯概率分解矩阵从辅助信息和原有的评分中预测用户偏好。本方法在预测评分准确度方面有明显提升。 | ||
| 搜索关键词： | 贝叶斯 准确度 辅助信息 概率矩阵 矩阵分解 评分矩阵 算法 电影 学习 分解 分解矩阵 推荐系统 项目特征 用户偏好 编码器 原有的 预测 堆栈 向量 稀疏 协同 概率 应用 | ||
【主权项】：
1.基于深度学习和贝叶斯概率矩阵分解的电影推荐算法，其特征在于，包括以下步骤：步骤1.从网上公开数据集获得用户，电影信息以及用户对电影的评分；步骤2.利用word2vec预处理用户与电影信息，将其转变为向量；步骤3.将用户向量输入用户侧栈式降噪自编码器，经过多次迭代，获取用户特征向量；将电影特征向量输入电影侧栈式降噪自编码器，经过多次迭代获取电影特征向量；步骤4.将用户特征向量与电影特征向量作为贝叶斯概率分解矩阵的初始值；步骤5.根据特征向量计算贝叶斯概率矩阵分解的参数，依照参数更新特征向量，多次重复，直至用户特征向量与电影特征向量内积与现有评分之间的误差低于0.4；步骤6.根据预测评分进行电影推荐。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京工业大学，未经北京工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910292355.5/，转载请声明来源钻瓜专利网。
