【技术实现步骤摘要】
一种基于多任务深度学习的混合推荐系统及其方法
本专利技术涉及计算机领域，具体涉及一种基于多任务深度学习的混合推荐系统及其方法。
技术介绍
随着大数据时代的到来，人们需要面对越来越多的数据信息，如何从海量数据中提取出有价值的信息成为了极大的挑战。而推荐系统能够从用户的历史信息中提取出用户的兴趣和喜好，并向用户推荐其可能感兴趣的项目，已逐渐成为了人们的关注热点。传统推荐方法主要包括基于内容的推荐方法，协同过滤推荐方法和混合推荐方法，其中基于内容的推荐方法根据用户历史喜爱的物品向其推荐与之相似的物品，协同过滤推荐向用户推荐与之品味相似的用户所喜爱的物品，而混合推荐将多种推荐方法进行融合，取长补短，使整体推荐效果得到提高。然而传统推荐方法的高质量推荐建立在繁重的特征处理工作基础上，大量的特征提取，特征组合，特征选取等工作需要技术人员进行处理，且这种处理只能捕捉到用户和物品的浅层次关系，不能深入挖掘用户和物品的深层特征。同时，目前还发现使用度量学习来进行用户的偏好预测虽然能够帮助提高推荐效果，然而这种推荐方法只关注了用户和物品间的关系，没有有效地挖掘物品和物品间的内在联系，...
【技术保护点】
1.一种基于多任务深度学习的混合推荐系统，其特征在于，依次包括三个阶段，分别为第一阶段、第二阶段和第三阶段，所述第一阶段为混合推荐模型构造，所述第二阶段为训练样本集生成，所述第三阶段为混合推荐模型训练，依次经过三个阶段的演算最后得出结果，所述混合推荐模型构造包括卷积神经网络和度量学习的混合推荐模型。
【技术特征摘要】
1.一种基于多任务深度学习的混合推荐系统，其特征在于，依次包括三个阶段，分别为第一阶段、第二阶段和第三阶段，所述第一阶段为混合推荐模型构造，所述第二阶段为训练样本集生成，所述第三阶段为混合推荐模型训练，依次经过三个阶段的演算最后得出结果，所述混合推荐模型构造包括卷积神经网络和度量学习的混合推荐模型。2.根据权利要去1所述基于多任务深度学习的混合推荐系统，其特征在于，所述训练样本集生成将生成三种不同类别的用户-物品三元组作为训练样本，三个训练样本包括<正样本，用户，负样本>，<正样本，用户，正样本>，<负样本，用户，负样本>，所述混合推荐模型训练将三个训练样本作模型训练，将得到的三组模型参数值，并将这三组参数值按权重进行加权作为的最终参数。3.一种基于多任务深度学习的混合推荐方法，其特征在于，具体包括以下步骤：S1.信息嵌入层：将原始用户和物品信息进行初步处理，并得到用户和物品的词嵌入向量e，以便更好地进行接下来的特征提取操作，词嵌入向量e如下式所示：e＝f(We×s+b)，其中，s表示输入的原始用户或物品的信息；We为本层的运算权重矩阵；b为本层的运算偏置值；f表示本层使用的激活函数；S2.卷积层：采用卷积操作进行用户和物品的深层特征提取，在第t个卷积核所对应的特征ht计算如下：其中，kt表示卷积操作过程中的第t个卷积核，表示卷积操作，bt表示第t个卷积核运算的偏置值，f表示本层使用的激活函数；S3.赤化层：采用最大池化操作来进一步选取用户和物品的深层特征，只保留特征值最高的一项，最高项为mt，mt＝MAX{h1,h2,…,h(n-c+1)}，其中，n表示词嵌入向量e的长度，c表示池化操作的步长；S4.全连接层：将每个卷积核抽取的特征进行连接，得到的中间特征向量m，所述中间特征向量m为：m＝{m1,m2,…,ml}，其中，l表示卷积核的个数，然后，将中间特征向量m输入到全连接层中得到最终的用户或物品的深度特征向量，可表示为：其中，Wfc为本层的运算权重矩阵，w为本层的运算偏置值，f表示本层使用的激活函数，同时得到的用户和一对物品的深层特征向量和S5.使用度量学习的欧式距离来分别计算用户ui和一对物品vj(1),vj(2)间的距离，以及物品和物品vj(1),vj(2)间的距离，计算公式如下：其中，和分别表示ui,vj(1)和vj(2)经过步骤S4中全连接层后的深层特征向量；S6.分别从用户购买行为事务数据库用户-物品评分数据库以及用户点击日志数据库这三个大型数据库中抽取并生成三种不同类型的训练样本，即<正样本，用户，负样本>，<正样本，用户，正样本>以及<负样本，用户，负样本>，分别记为<I+,U,I->，<I+,U,I+>，<I-,U,I->，得出A1、A2和A3三种不同类型的训练样本；A1.若对于用户购买行为事务数据库如果用户ui∈U购买了物品vj，那么标记vj为正样本，即vj∈I+，反之，如果用户ui∈U没有购买物品vj，那么标记vj为负样本，即vj∈I-；A2.若对于用户-物品评分数据库如果用户ui∈U对物品vj的评分超过了用户偏...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。