一种基于深度学习的面向隐式反馈推荐方法技术

本发明专利技术涉及一种基于深度学习的面向隐式反馈的推荐算法，选择隐式数据作为训练数据；根据用户‑项目交互矩阵通过变分自动编码机的方式得到用户和项目的特征向量；将用户和项目的特征向量进行向量乘法得到新向量A；将用户和项目的特征向量镶嵌组成新向量D，将D输入多层深度神经网络结构模型的输入层继而得到输入层的输出向量E；将向量A和向量E的镶嵌结果输入隐藏层继续训练，得到新的模型参数，同时将隐含层的输出输入输出层，得到最终预测结果；将需要预测的数据放入已经训练好的神经网络结构模型中，得到预测结果。本发明专利技术解决了推荐结果不会出现人为导致的偏差的问题，需要的数据相对较好获得，简单易行，硬件要求低，时间消耗少。

【技术实现步骤摘要】
一种基于深度学习的面向隐式反馈推荐方法
本方法涉及推荐算法，特别是一种基于深度学习的面向隐式反馈的推荐算法。
技术介绍
随着社会的发展和时代的进步，信息技术和互联网技术进入高速发展的模式，社会从信息匮乏时代进入到信息过载时代。在信息过载情况下，无论是信息的发布者或者信息的接受者都面临着很大的挑战。信息的发布者所面临的问题是：如何让发布的多样化信息有针对性的被信息的接受者接收并关注；信息的接收者所面临的问题是：如何从海量的信息中找到自己喜欢的信息。为了帮助人们有效快速的筛选信息，推荐算法应运而生。推荐算法被大量的使用在服务行业、电子商务、社交网络、缓存内容选择上。推荐算法通过对用户爱好和行为的分析和建模，将用户有可能感兴趣的项目推荐给用户。推荐算法的效果和收集到的用户信息和所使用的推荐算法的好坏有直接的关系。用户的评论、评分、以及用户的相关信息等是用户主动提供的，这些信息非常直观的显示出用户的个人喜好，这类信息被称为显式反馈；对于用户被动提供的信息，如用户的点击、下载、观看、购买历史等一系列不能直接表达用户个人喜好的信息，则被称为隐式反馈。当前，绝大多数的推荐算法仅仅针对显式反馈数据，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的面向隐式反馈的推荐算法，其特征在于包括以下步骤：(1)选择隐式数据作为训练数据，如果所用数据集为显式反馈的数据集，则需要进行数据的预处理将显式数据转换为隐式数据；并建立隐式数据相对应的用户‑项目交互矩阵；(2)根据用户‑项目交互矩阵通过变分自动编码机的方式将用户和项目映射到同一个潜在空间中，得到用户的特征向量B和项目的特征向量C；(3)将用户的特征向量B和项目的特征向量C进行向量的乘法操作，并储存运算完毕得到的新向量A；(4)将用户的特征向量B和项目的特征向量C进行镶嵌组成新向量D，将D输入多层深度神经网络结构模型的输入层对多层深度神经网络结构模型参数进行训练，同时得到输...

【技术特征摘要】
1.一种基于深度学习的面向隐式反馈的推荐算法，其特征在于包括以下步骤：(1)选择隐式数据作为训练数据，如果所用数据集为显式反馈的数据集，则需要进行数据的预处理将显式数据转换为隐式数据；并建立隐式数据相对应的用户-项目交互矩阵；(2)根据用户-项目交互矩阵通过变分自动编码机的方式将用户和项目映射到同一个潜在空间中，得到用户的特征向量B和项目的特征向量C；(3)将用户的特征向量B和项目的特征向量C进行向量的乘法操作，并储存运算完毕得到的新向量A；(4)将用户的特征向量B和项目的特征向量C进行镶嵌组成新向量D，将D输入多层深度神经网络结构模型的输入层对多层深度神经网络结构模型参数进行训练，同时得到输入层的输出向量E，即目标向量；其中新向...

【专利技术属性】
技术研发人员：贺思源，徐晓斌，李陶，张楠，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11