一种基于深度学习的电影推荐方法技术

本发明专利技术公开了一种基于深度学习的电影推荐方法，采用Replicated Softmax模型作为受限玻尔兹曼机的可见层，将用户数据预处理成二维向量input(评分，电影)输入至Replicated Softmax模型中；随机初始化学习参数，可见层与隐藏层逐层正反向推断，通过吉布斯采样分别获得隐藏层状态和可见层的softmax状态；完成采样后利用对比散度法进行快速学习，不断调参、迭代，训练出适配该用户的模型。本发明专利技术对传统的条件受限玻尔兹曼机进行改进，设计了一个适配以电影评分为基准的条件受限玻尔兹曼机；本发明专利技术能够解决传统协同过滤推荐算法存在的过拟合、冷启动等问题。

【技术实现步骤摘要】
一种基于深度学习的电影推荐方法
本专利技术涉及电影推荐
，尤其涉及一种基于深度学习的电影推荐方法。
技术介绍
推荐系统是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。与搜索引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。目前的推荐系统主要分为三类：基于内容的推荐系统、基于协同过滤的推荐系统和混合型推荐系统。基于内容的推荐系统其实本质上可以简化为一个回归问题，其将电影内容、情节作为特征值进行提取分类，然后预测用户对电影的评分，最后根据评分结果进行推荐。基于协同过滤的推荐系统一般以通过计算用户之间的相似度和电影之间的相似度的方式，来学习用户间和电影间潜在的特征，根据这个潜在的特征对用户评分进行预测。混合型推荐系统又称组合推荐系统，意在将多种推荐技术进行混合相互弥补缺点，从而获得更好的推荐结果。目前研究最多的当属内容推荐和协同过滤推荐的混合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法去产生一个推荐预测结果，然后通过加权的方式组合其结果。针对现有的推荐算法，基于协同过滤的推荐算法是通过使用某一用户数据，来发现拥有偏好相似度较高的用户和电影，这会导致越热门的电影越会被推荐；另外一个比较严重的问题是每当有一个新电影上映之后，由于没有用户观看，所以根据用户数据来做推荐的协同过滤就束手无策了，也就是常说的冷启动问题。基于内容的推荐算法虽然能够避免冷启动等问题，但是对数据特征内容有良好的结构性，要求特征内容容易抽取，这又是影响推荐准确率的一个难以解决的问题。基于混合型推荐算法的推荐结果通常存在一个问题，即尽管有多种混合推荐的方法，但是在某一具体问题中并不见得都十分有效，所能做到的也是弥补问题为主。深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出，基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。目前深度学习主要应用于图片识别、文本处理、机器翻译、计算机视觉、情感识别等方面，在推荐系统中的应用并没有其他几个方向成熟和广泛。针对以上现有技术缺陷的分析，本专利技术可以借助深度学习领域的算法和模型来解决这些问题，并尽可能提升推荐准确度。
技术实现思路
针对上述问题中存在的不足之处，本专利技术提供一种基于深度学习的电影推荐方法。为实现上述目的，本专利技术提供一种基于深度学习的电影推荐方法，包括：步骤1、采用ReplicatedSoftmax模型作为受限玻尔兹曼机的可见层，基于上述改进的受限玻尔兹曼机构建深度玻尔兹曼机；步骤2、将用户数据预处理成二维向量input(评分，电影)输入至ReplicatedSoftmax模型中；步骤3、深度玻尔兹曼机随机初始化学习参数，所述学习参数包括权值参数和偏好参数；步骤4、从可见层向隐藏层逐层正向推断，并从隐藏层向可见层逐层反向推断；步骤5、通过吉布斯采样分别获得隐藏层状态和可见层的softmax状态；步骤6、完成采样后利用对比散度法进行快速学习，不断地对学习参数进行调整，不断迭代上述操作，最后训练出适配该用户的模型。作为本专利技术的进一步改进，在步骤1中，深度玻尔兹曼机没有关联记忆层，且每一层均为无向图。作为本专利技术的进一步改进，在步骤2中，输入的评分为评分向量。作为本专利技术的进一步改进，在步骤2中，若电影的总分为5分，用户对该电影的评分为4分，则评分向量为[0，0，0，1，0]。作为本专利技术的进一步改进，在步骤6中，若未完成采样，则返回步骤3。与现有技术相比，本专利技术的有益效果为：本专利技术将深度学习的概念引入了电影推荐方法中，引入了受限玻尔兹曼机和深度玻尔兹曼机的概念，并将ReplicatedSoftmax模型适配电影推荐算法，并在该模型的引导下设计了针对电影推荐的深度网络模型。深度网络结构训练出来的模型除了拥有不俗的特征提取能力以外，还能够解决传统协同过滤所带来的过拟合，冷启动等问题，将其运用在电影推荐的方向具有不错的前景。附图说明图1为现有条件受限玻尔兹曼机网络结构图；图2为现有ReplicatedSoftmax模型的网络结构图；图3为本专利技术一种实施例公开的两层条件受限玻尔兹曼机的网络结构图；图4为本专利技术一种实施例公开的多层受限玻尔兹曼机组成深度玻尔兹曼机的模型图；图5为本专利技术一种实施例公开的基于深度学习的电影推荐方法的流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。下面结合附图对本专利技术做进一步的详细描述：本专利技术提供一种基于深度学习的电影推荐方法，其将传统的条件受限玻尔兹曼机进行改进，设计了一个适配以电影评分为基准的条件受限玻尔兹曼机，并使用两层条件受限玻尔兹曼机组成深度结构模型，利用深度学习的优势进行推荐。该模型能够解决传统协同过滤推荐算法存在的几个比较严重的问题，例如过拟合、冷启动等问题。同时条件受限玻尔兹曼机的对比散度快速学习算法也极大地提升了模型的学习能力；该方法包括：步骤1、采用ReplicatedSoftmax模型作为受限玻尔兹曼机的可见层，基于上述改进的受限玻尔兹曼机构建深度玻尔兹曼机；步骤2、将用户数据预处理成二维向量input(评分，电影)输入至ReplicatedSoftmax模型中；步骤3、深度玻尔兹曼机随机初始化学习参数，所述学习参数包括权值参数和偏好参数；步骤4、从可见层向隐藏层逐层正向推断，并从隐藏层向可见层逐层反向推断；步骤5、通过吉布斯采样分别获得隐藏层状态和可见层的softmax状态；步骤6、完成采样后利用对比散度法进行快速学习，不断地对学习参数进行调整，不断迭代上述操作，最后训练出适配该用户的模型。进一步，输入的评分为评分向量；若电影的总分为5分，用户对该电影的评分为4分，则评分向量为[0，0，0，1，0]。进一步，若未完成采样，则返回步骤3。本专利技术一种基于深度学习的电影推荐方法的具体实现过程如下：1、算法问题分析深度学习是一个很广泛的概念，本专利技术主要旨在使用多层受限玻尔兹曼机组成一个深度网络结构，所以对受限玻尔兹曼机的改进比较重要。受限玻尔兹曼机实际上是一个能量模型，其能量函数E(v,h)为：E(v,h)＝-aTv-bT-hTWv，其中W为可见单元和隐藏单元之间的边的权重，a和b是可见层与隐藏层之间的偏置bias；分布函数P(v,h)为：其中：Z＝∑v,he-E(v,h)，Z为归一化因子，也作配分函数。由上述公式可知，当能量模型的本文档来自技高网...

【技术保护点】
一种基于深度学习的电影推荐方法，其特征在于，包括：步骤1、采用Replicated Softmax模型作为受限玻尔兹曼机的可见层，基于上述改进的受限玻尔兹曼机构建深度玻尔兹曼机；步骤2、将用户数据预处理成二维向量input(评分，电影)输入至Replicated Softmax模型中；步骤3、深度玻尔兹曼机随机初始化学习参数，所述学习参数包括权值参数和偏好参数；步骤4、从可见层向隐藏层逐层正向推断，并从隐藏层向可见层逐层反向推断；步骤5、通过吉布斯采样分别获得隐藏层状态和可见层的softmax状态；步骤6、完成采样后利用对比散度法进行快速学习，不断地对学习参数进行调整，不断迭代上述操作，最后训练出适配该用户的模型。

【技术特征摘要】
1.一种基于深度学习的电影推荐方法，其特征在于，包括：步骤1、采用ReplicatedSoftmax模型作为受限玻尔兹曼机的可见层，基于上述改进的受限玻尔兹曼机构建深度玻尔兹曼机；步骤2、将用户数据预处理成二维向量input(评分，电影)输入至ReplicatedSoftmax模型中；步骤3、深度玻尔兹曼机随机初始化学习参数，所述学习参数包括权值参数和偏好参数；步骤4、从可见层向隐藏层逐层正向推断，并从隐藏层向可见层逐层反向推断；步骤5、通过吉布斯采样分别获得隐藏层状态和可见层的softmax状态；步骤6、完成采样后利用对比散度法进行快速学习，...

【专利技术属性】
技术研发人员：沈琦，刘康迪，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11