一种物品推荐方法及装置制造方法及图纸

本发明专利技术适用计算机技术领域，提供了一种物品推荐方法及装置，该方法包括：根据历史评分数据中已评分物品与待评分物品的相似度，计算历史评分数据对待评分物品的预测评分的影响因子，将计算得到的影响因子输入预先建立的受限波尔兹曼机模型，通过受限波尔兹曼机模型计算用户对待推荐物品的预测评分，生成推荐列表，根据生成的推荐列表，向用户输出推荐物品，从而解决了推荐新物品时的冷启动的问题，提高了推荐的准确率。

An item recommendation method and device

The invention is applied to computer technology, provides an article recommendation method and device, the method comprises: according to historical data has similarity score score score to goods and goods, the impact factor score prediction calculation historical rating data treat items score, restricted Boltzmann machine model input impact factor calculated by the pre established and through the restricted Boltzmann machine model to calculate the prediction score to users recommended items, generating the recommended list, according to the recommended list of recommended items generated and output to the user, so as to solve the cold start problem of the new recommended items, improves the accuracy of recommendation.

【技术实现步骤摘要】
一种物品推荐方法及装置
本专利技术属于计算机
，尤其涉及一种物品推荐方法及装置。
技术介绍
随着互联网技术的日新月异，用户的生活方式发生了重大的改变。在信息琳琅满目、竞争激励的互联网时代，如何帮助用户快速准确的挑选出其感兴趣的物品，对一个互联网企业至关重要。基于上述问题，推荐系统技术应运而生。协同过滤技术是推荐系统中使用最广、最受欢迎的一项技术，常用的协同过滤技术有基于最邻近方法和基于模型的方法。基于模型的方法又细分为聚类模型、贝叶斯分类模型、隐因子模型、图模型，其中对于隐因子模型的研究效果最好。基于隐因子的推荐算法模型的研究最典型的代表是2007年由RuslanSalakhutdinov等人提出的利用2层受限波尔兹曼机(RestrictedBoltzmannMachines，简称RBM)来学习用户或物品的隐因子，建立模型进行推荐。然而，虽然基于RBM的协同过滤成功的将深度学习应用到了推荐系统领域，并取得了很好的推荐效果，但是它仅使用用户对物品的评分矩阵，而通常情况下，评分矩阵非常稀疏，从而导致推荐系统的推荐准确率严重下降。另外，现有的基于RBM的协同过滤技术对于新物品还存在冷本文档来自技高网...

【技术保护点】
一种物品推荐方法，其特征在于，所述方法包括下述步骤：根据历史评分数据中已评分物品与待评分物品的相似度，计算所述历史评分数据对所述待评分物品的预测评分的影响因子；将所述计算得到的影响因子输入预先建立的受限波尔兹曼机模型，通过所述受限波尔兹曼机模型计算所述用户对所述待推荐物品的预测评分，生成推荐列表；根据所述生成的推荐列表，向所述用户输出推荐物品。

【技术特征摘要】
1.一种物品推荐方法，其特征在于，所述方法包括下述步骤：根据历史评分数据中已评分物品与待评分物品的相似度，计算所述历史评分数据对所述待评分物品的预测评分的影响因子；将所述计算得到的影响因子输入预先建立的受限波尔兹曼机模型，通过所述受限波尔兹曼机模型计算所述用户对所述待推荐物品的预测评分，生成推荐列表；根据所述生成的推荐列表，向所述用户输出推荐物品。2.如权利要求1所述的方法，其特征在于，通过所述受限波尔兹曼机模型计算所述用户对所述待推荐物品的预测评分的步骤，包括：使用公式计算所述用户对所述待推荐物品的初始预测评分，所述l表示所述受限波尔兹曼机模型的神经网络可见层中用于进行待推荐物品评分的softmax神经单元的个数，所述表示从所述受限波尔兹曼机模型的神经网络隐含层h计算所述可见层第i个待推荐物品的第k个所述softmax神经单元的概率；使用公式计算所述用户对所述待推荐物品的预测评分，所述α为所述影响因子θ的权重。3.如权利要求1所述的方法，其特征在于，根据历史评分数据中已评分物品与待评分物品的相似度，计算所述历史评分数据对所述待评分物品的预测评分的影响因子的步骤，包括：接收所述待评分物品和所述用户的历史评分数据中已评分物品的文本内容，对预设的Word2vec模型进行训练，得到所述文本内容中每一个词的词向量，使用所述得到的词向量表示所述待评分物品和所述已评分物品的内容；使用公式计算所述待评分物品与所述用户的历史评分数据中的每一个物品的内容之间的相似度，所述Ti、Tj表示进行相似度计算的表示两个所述物品内容的词向量，所述n表示所述词向量的大小，所述Ti,i、Tj,i表示所述Ti和所述Tj的分量；根据所述待评分物品与所述用户的历史评分数据中的每一个物品的内容之间的相似度，获取与所述待评分物品相似度最大的已评分物品；根据所述用户对与所述待评分物品相似度最大的已评分物品的评分，计算所述与所述待评分物品相似度最大的已评分物品对所述待评分物品的预测评分的影响因子。4.如权利要求3所述的方法，其特征在于，计算所述与所述待评分物品相似度最大的已评分物品对所述待评分物品的预测评分的影响因子的步骤，包括：使用公式计算与所述待评分物品相似度最大的所述已评分物品对所述待评分物品的预测评分的影响因子，所述为所述用户的历史评分数据中用户U对物品Sk的评分，所述si,sk∈S＝{s1,s2,...,sj}，所述S＝{s1,s2,...,sj}为所述用户U的已评分物品的集合。5.如权利要求1所述的方法，其特征在于，生成推荐列表的步骤，包括：根据所述预测评分的大小对所述待推荐物品的预测评分进行正序排序，选择所述排序中的前N项所述待推荐物品生成大小为N的...

【专利技术属性】
技术研发人员：傅向华，余冲，李坚强，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44