一种基于广度学习和深度学习的混合推荐方法技术

本发明专利技术公开了一种基于广度学习和深度学习的混合推荐方法，包括：推荐对象根据张量分解算法从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵，再对用户、推荐对象和标签的特征矩阵进行特征匹配，得到张量分解的第一预测评分；采用循环神经网络提取用户特征和标签特征，采用文本卷积网络提取推荐对象名特征，将标签特征和推荐对象名特征输入BP神经网络的全连接层，得到推荐对象的目标特征，将用户特征和推荐对象的目标特征进行特征匹配，得到深度学习的第二预测评分；将第一预测评分和第二预测评分进行融合，得到最终预测评分并输出。

A Hybrid Recommendation Method Based on Wide Learning and Deep Learning

【技术实现步骤摘要】
一种基于广度学习和深度学习的混合推荐方法
本专利技术涉及数据处理
，尤其涉及一种基于广度学习和深度学习的混合推荐方法。
技术介绍
传统的推荐算法大多研究用户和推荐对象两者之间的关系，例如矩阵分解通过现有部分用户对推荐对象的评分提取用户和推荐对象隐含在评分数据中隐性特征，再根据对应特征的匹配程度进行推荐。然而给用户推荐的对象往往不仅仅取决于用户和推荐对象两个方面的特征，还会取决于其他因素的特征，如销售商的服务态度、标签及物流情况等。因此现有推荐系统扩展了推荐的影响因素，考虑三个甚至三个以上因素特征匹配的推荐，其中张量分解就利用张量的高阶特征，从评分中提取三个或者三个以上影响因素的特征，再将三个或三个以上影响因素对应特征进行匹配，得出推荐结果，从而提高推荐的精准度。对于任何单一推荐算法都存在相应的优缺点，然而通过广度学习融合不同的推荐算法，兼顾提取研究对象不同方面数据的特征，融合推荐结果，往往能表现出更优异的性能。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种基于广度学习和深度学习的混合推荐方法；本专利技术提出的一种基于广度学习和深度学习的混合推荐方法，包括：S1、推荐对象根据张量分解算法从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵，再对用户、推荐对象和标签的特征矩阵进行特征匹配，得到张量分解的第一预测评分；S2、采用循环神经网络提取用户特征和标签特征，采用文本卷积网络提取推荐对象名特征，将标签特征和推荐对象名特征输入BP神经网络的全连接层，得到推荐对象的目标特征，将用户特征和推荐对象的目标特征进行特征匹配，得到深度学习的第二预测评分；S3、将第一预测评分和第二预测评分进行融合，得到最终预测评分并输出。优选地，步骤S1，具体为：通过Tucker分解模型从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵；Tucker分解模型为：其中，Yijk为目标张量，Uip、Tjq、Ikr分别为用户、推荐对象和标签的特征矩阵，P、Q、R分别为各个矩阵对应的阶数，Sijk为核心张量，表示各个维度上的潜在相互关系；计算Xijk≈∑pqrSijk×Uip×Tjq×Ikr，得到近似表示张量Xijk作为张量分解的第一预测评分。优选地，步骤S2中，所述将用户特征和推荐对象的目标特征进行特征匹配，具体包括：根据联合训练法将用户特征、标签特征和推荐对象的目标特征进行匹配，将用户特征、标签特征和推荐对象的目标特征作为输入传入全连接层，得到输出值，再将输出值进行逻辑斯蒂回归得出预测评分概率值，根据Adam算法作为深度学习部分的优化策略，取深度学习后概率最高值所对应的评分等级，作为深度学习的第二预测评分；深度学习模型预测评分计算公式为：其中，y为评分等级，分别对应1-5个评分等级，P(y|x)为各个预测评分等级的概率值，其中x为待推荐对象，和分别代表用户模型和推荐对象的目标模型所对应的权重值和输入值的乘积，其中和的权重值为预设值，b为偏移量，取P(y|x)概率最高值所对应的评分等级，作为深度学习的第二预测评分yDeep。优选地，步骤S3，具体为：将第一预测评分和第二预测评分相加，根据线性回归模型得到最终预测评分并输出，所述预测模型为：yscore＝w1yTD+w2yDeep+b，其中，yscore∈[0,5]为最终综合评分，yTD为第一预测评分，yDeep为第二预测评分，w1和w2分别为预设的第一预测评分和第二预测评分的权重，b为预设的偏移量。优选地，步骤S3，具体为：将第一预测评分和第二预测评分相加，通过逻辑斯蒂回归函数转化成概率，再取概率最大时对应的分值作为最终预测评分并输出，所述预测模型为：s2＝yTD+yDeep；yscore＝argmaxP(y|x)，其中，yscore∈[0,5]为最终综合评分，P(y|x)概率值，yTD为第一预测评分，yDeep为第二预测评分。本专利技术先用张量分解从用户的评分数据中提取用户、推荐对象以及其他影响因素的隐性特征及它们之间的相互关系，经相应特征匹配第一预测评分，再使用深度学习方法从多源异构的辅助信息中提取用户特征、标签特征和推荐对象特征，使相应特征匹配，得到第二预测评分，最后将第一预测评分和第二预测评分融合形成最终综合评分，该方法经融合张量分解和深度神经网络，兼顾用户、推荐对象(标签和推荐对象)影响因素在用户评分数据中的隐性特征和辅助数据信息中的特征，从而提高预测推荐的精准度。附图说明图1为本专利技术提出的一种基于广度学习和深度学习的混合推荐方法的流程示意图；图2为本专利技术中文本卷积网络提取推荐对象特征的流程示意图。具体实施方式参照图1，本专利技术提出的一种基于广度学习和深度学习的混合推荐方法，包括：步骤S1，推荐对象根据张量分解算法从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵，再对用户、推荐对象和标签的特征矩阵进行特征匹配，得到张量分解的第一预测评分。步骤S1具体为：通过Tucker分解模型从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵；Tucker分解模型为：其中，Yijk为目标张量，Uip、Tjq、Ikr分别为用户、推荐对象和标签的特征矩阵，P、Q、R分别为各个矩阵对应的阶数，Sijk为核心张量，表示各个维度上的潜在相互关系；计算Xijk≈∑pqrSijk×Uip×Tjq×Ikr，得到近似表示张量Xijk作为张量分解的第一预测评分。在具体方案中，张量分解属于因式分解机，目标是从高阶的用户评价张量中提取用户、推荐对象及标签的隐性特征，用户的评分数据即包含了用户对某推荐对象的喜好特征，也包含了推荐对象自身特征以及其所属的标签特征，张量分解可直接从用户评分的高阶张量数据中提取用户、推荐对象和标签的特征，再通过特征间的匹配得到第一预测评分；近似表示张量Xijk的计算为张量分解的逆向运算，通过将Yijk分解出的三个矩阵和一个核心张量进行重新组合，还原近似表示张量，经过重组后，新产生的近似表示张量将给各个用户对应的推荐对象和标签重新给出近似的评分，同时预测出原来评分张量中缺省的评分，这不仅可以还原用户的真实评价，同时还可以预测出某用户对某种没有评价过的推荐对象的评分。步骤S2，根据采用循环神经网络提取用户特征和标签特征，根据文本卷积网络提取推荐对象特征，将标签特征和推荐对象特征输入BP神经网络的全连接层，得到推荐对象的目标特征，将用户特征和推荐对象的目标特征进行特征匹配，得到深度学习的第二预测评分。步骤S2中将用户特征和推荐对象的目标特征进行特征匹配具体包括：根据联合训练法将用户特征、标签特征和推荐对象的目标特征进行匹配，将用户特征、标签特征和推荐对象的目标特征作为输入传入全连接层，得到输出值，再将输出值进行逻辑斯蒂回归得出预测评分概率值，根据Adam算法作为深度学习部分的优化策略，取深度学习后概率最高值所对应的评分等级，作为深度学习的第二预测评分；深度学习模型预测评分计算公式为：其中，y为评分等级，分别对应1-5个评分等本文档来自技高网...

【技术保护点】
1.一种基于广度学习和深度学习的混合推荐方法，其特征在于，包括：S1、推荐对象根据张量分解算法从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵，再对用户、推荐对象和标签的特征矩阵进行特征匹配，得到张量分解的第一预测评分；S2、采用循环神经网络提取用户特征和标签特征，采用文本卷积网络提取推荐对象名特征，将标签特征和推荐对象名特征输入BP神经网络的全连接层，得到推荐对象的目标特征，将用户特征和推荐对象的目标特征进行特征匹配，得到深度学习的第二预测评分；S3、将第一预测评分和第二预测评分进行融合，得到最终预测评分并输出。

【技术特征摘要】
1.一种基于广度学习和深度学习的混合推荐方法，其特征在于，包括：S1、推荐对象根据张量分解算法从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵，再对用户、推荐对象和标签的特征矩阵进行特征匹配，得到张量分解的第一预测评分；S2、采用循环神经网络提取用户特征和标签特征，采用文本卷积网络提取推荐对象名特征，将标签特征和推荐对象名特征输入BP神经网络的全连接层，得到推荐对象的目标特征，将用户特征和推荐对象的目标特征进行特征匹配，得到深度学习的第二预测评分；S3、将第一预测评分和第二预测评分进行融合，得到最终预测评分并输出。2.根据权利要求1所述的基于广度学习和深度学习的混合推荐方法，其特征在于，步骤S1，具体为：通过Tucker分解模型从用户对带有标签的推荐对象的评分数据张量中分解提取用户、推荐对象和标签的隐性特征，得到用户、推荐对象和标签的特征矩阵；Tucker分解模型为：其中，Yijk为目标张量，Uip、Tjq、Ikr分别为用户、推荐对象和标签的特征矩阵，P、Q、R分别为各个矩阵对应的阶数，Sijk为核心张量，表示各个维度上的潜在相互关系；计算Xijk≈∑pqrSijk×Uip×Tjq×Ikr，得到近似表示张量Xijk作为张量分解的第一预测评分。3.根据权利要求1所述的基于广度学习和深度学习的混合推荐方法，其特征在于，步骤S2中，所述将用户特征和推荐对象的目标特征进行特征匹配，具体包括：根据联合训练法将用户特征、标签特征和推荐对象的目标特征进行匹配，将用户特征、标签特征和推荐对...

【专利技术属性】
技术研发人员：张家精，陈金兰，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：安徽,34