[发明专利]一种采用深度特征匹配的推荐方法

说明书

技术领域

本发明涉及个性化推荐技术领域，尤其涉及一种采用深度特征匹配的推荐方法。

背景技术

随着互联网的逐渐普及和网络信息资源的日益丰富，人们逐渐从信息匮乏时代走进信息过载时代，信息量的不断增大使得无论是信息生产者还是信息消费者都遇到了很大的困难和挑战：从海量的信息里找到自己需求的信息已经变得越来越困难。与此同时，想让产品在众多信息中脱颖而出，得到消费者的关注也越来越困难。以前常用的方法是让用户自己输入关键词搜索，搜索引擎会根据用户所提交的关键词在数据库里遍历，以找到合适的信息进行推荐。这种方法的缺点是：需要用户明确自己的需求，而且需要用户主动检索。

为了高效率、快速、主动给用户提供推荐信息，从海量数据中挖掘到用户所需信息并向用户推荐，节省用户获取有用信息的时间，个性化推荐服务应运而生，个性化推荐服务首先会根据用户行为数据进行相应的用户行为偏好分析，常用的方法是通过用户行为分析建立一个用户偏好模型，将用户的行为转换为用户的偏好。目前对用户行为偏好建模多是在信息搜索引擎、网购平台等对用户信息搜索关键字、搜索信息，网购商品信息、网购评价信息等方面进行偏好分析。这种推荐方法只利用了较少的用户和资源信息，并没有深度挖掘用户和资源的潜在特征，所以推荐的个性化程度和质量非常有限。

在大体量多维度的用户数据和资源数据情况下，如何综合利用跨领域数据，进行深度挖掘并匹配用户及资源的特征，精确辨识某一用户对某一资源的感兴趣程度，提高推荐系统的个性化程度、资源推荐质量以及用户的满意度显得尤为重要。

发明内容

针对现有技术的缺点，本发明的目的是提供一种采用深度特征匹配的推荐方法，能够精确确定某一用户对某一资源的偏好程度，并能大幅度提高推荐系统的个性化程度、资源推荐质量以及用户的满意度。

为实现上述目的，本发明提供了一种采用深度特征匹配的推荐方法，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，模型包括若干个层。

S2：定义模型的层数，每一层的神经元数目、每一层之间的连接方式、运算方法。

S3：通过将用户数据、资源数据进行训练，得到每一层之间的连接权值。

S4：通过输入用户数据、资源数据，采用模型计算，得到用户对于资源的相似度量。

与现有技术相比，本发明公开的推荐方法，通过建立人工神经网络结构的模型处理跨领域的用户数据、资源数据，通过该模型的多层神经网络结构进行特征学习，深度地挖掘了用户和资源的特征；并通过该模型进行训练，确定了每一层与上一层次神经元之间的连接权值，从而得到该推荐方法的匹配模型，通过深度学习使得通过该模型计算得到某一用户对于某一方面的资源的相似度量更加精确，提高了推荐系统的个性化程度、资源推荐质量以及用户的满意度。

根据本发明另一具体实施方式，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，数值热度图为模型的输入。

根据本发明另一具体实施方式，在步骤S1中，运算方法包括加权运算、非线性运算。

根据本发明另一具体实施方式，用户数据包括用户的性别、年龄、行业、浏览记录和购买记录；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。

根据本发明另一具体实施方式，步骤S3包括如下步骤：

S31：对用户数据或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。

根据本发明另一具体实施方式，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，对用户数据或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。