[发明专利]一种采用深度特征匹配的推荐方法

权利要求书

1.一种采用深度特征匹配的推荐方法，其特征在于，包括如下步骤：

S1：通过用户数据、资源数据建立人工神经网络结构的模型，所述模型包括若干个层；

S2：定义所述模型的层数，每一层的神经元数目、每一所述层之间的连接方式、运算方法；

S3：通过将用户数据、资源数据进行训练，得到每一所述层之间的连接权值；

S4：通过输入用户数据、资源数据，采用所述模型计算，得到所述用户对于所述资源的相似度量。

2.如权利要求1所述的推荐方法，其特征在于，在步骤S1中，进一步包括步骤S11：

将用户数据转换为n维的数值向量x₁、x₂…x_n，n≥1，将资源数据转换为m维的数值向量y₁、y₂…y_m，m≥1；

将所述数值向量x₁、x₂…x_n，y₁、y₂…y_m分别转换为二维矩阵形式的数值热度图，所述数值热度图为所述模型的输入。

3.如权利要求2所述的推荐方法，其特征在于，在步骤S1中，所述运算方法包括加权运算、非线性运算。

4.如权利要求1所述的推荐方法，其特征在于，所述用户数据包括用户的性别、年龄、行业、浏览记录和购买记录；所述资源数据包括资源的内容、主题、新颖度、好评度、访问量和购买量。

5.如权利要求1所述的推荐方法，其特征在于，所述步骤S3包括如下步骤：

S31：对所述用户数据或所述资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间；

S32：采用有监督式的学习方法进行训练，通过相似度量的运算单元，确定顶层的用户特征空间和资源特征空间的重合度。

6.如权利要求5所述的推荐方法，其特征在于，在步骤S31中，通过堆叠式的稀疏自编码器或受限玻尔兹曼机，对所述用户数据或所述资源数据进行逐层地编码，并将用户数据和资源数据映射到一个相同长度的数值向量所表示的特征空间。

7.如权利要求1所述的推荐方法，其特征在于，所述模型包括用户数据的网络结构、资源数据的网络结构，所述用户数据的网络结构、所述资源数据的网络结构均包括卷积层、池化层、全连接层，所述卷积层至少包括第一卷积层和第二卷积层，所述池化层至少包括第一池化层和第二池化层，所述全连接层至少包括第一全连接层、第二全连接层。

8.如权利要求7所述的推荐方法，其特征在于，所述第一卷积层、所述第二卷积层的卷积核的数目为10-60个，所述第一卷积层、所述第二卷积层的卷积核的大小为1-10，所述第一卷积层、所述第二卷积层的卷积跨度为1-3单元。

9.如权利要求7所述的推荐方法，其特征在于，所述第一池化层、所述第二池化层的核的大小为1-5，所述第一池化层、所述第二池化层的跨度为1-3单元。

10.如权利要求7所述的推荐方法，其特征在于，所述第一全连接层、所述第二全连接层的神经元数目为50-100个。