一种基于循环生成对抗网络的个性化推荐方法技术

本发明专利技术涉及一种基于循环生成对抗网络的个性化推荐方法。本发明专利技术方法通过对基于时间信息的用户历史行为采样，构建融入时间信息的矩阵样本，用循环生成对抗网络实现自动提取特征及展示动态时序行为。本发明专利技术方法首先构建矩阵图像、构建循环生成对抗网络，然后循环生成对抗网络内部过程、训练循环生成对抗网络，最后对图中某一个用户的行像素点做排序，将数值大的前N个列出作为该用户的推荐列表。本发明专利技术方法可从生成信息的循环上传递了时间信息，对时间进行了切片，每个模型之间是通过信息传递相连的独立网络，在模型原理和实际效果上都更能体现时间上信息，反应时间序列模式。

A personalized recommendation method based on cyclic generation antagonistic network

The invention relates to a personalized recommendation method based on cyclic generation antagonistic network. The method of the invention constructs a matrix sample incorporating time information by sampling the user's historical behavior based on time information, and realizes automatic extraction of features and display of dynamic sequential behavior by cyclically generating countermeasure network. The method of the invention first constructs a matrix image, constructs a cyclic generation antagonistic network, then generates the internal process of the antagonistic network, and trains the cyclic generation antagonistic network. Finally, the row pixels of a user in the graph are sorted, and the first N with large values are listed as the recommendation list of the user. The method of the invention can transmit time information from the cycle of generating information and slice time. Each model is connected by an independent network of information transmission, which can better reflect the time information and reflect the time series pattern in the principle and practical effect of the model.

【技术实现步骤摘要】
一种基于循环生成对抗网络的个性化推荐方法
本专利技术属于计算机
，涉及一种基于循环生成对抗网络的个性化推荐方法，预测用户对项目物品的偏好程度问题。
技术介绍
个性化服务是目前最受关注的领域之一。在科技飞速发展的今天，越来越丰富的产品使市场呈现供大于求的现象，消费者需要从众多的同类产品中挑选心仪的产品。而现在人们消费多是注重产品的内在质量和价格，多注重物质产品形式的多样化，质量的内在化、大众化。随着人们收入的增加，消费流行期和产品生命周期的缩短，时髦的消费方式被模仿速度的加快，消费观念逐步向品质的外在化、个性化、自然化方向发展。个性化推荐的目的就是根据目标用户的历史行为信息，挖掘用户的兴趣偏好，给用户推荐其感兴趣的物品，帮助用户节约时间成本。传统的推荐算法，无论是协同过滤，矩阵分解等，都采用浅层模型进行预测，对特征的提取都依赖于人工的查找，很难有效的学习到深层次的用户和项目隐性表示，同时人为挖掘隐性表示并量化，是一个耗时耗力的过程。然而深度学习作为端对端的方法，可以有效避免复杂的人工特征提取过程，并且能够学习到更加抽象、更加稠密的深层次用户和项目表示，拟合非线性的结构特征。本专利本文档来自技高网...

【技术保护点】
1.一种基于循环生成对抗网络的个性化推荐方法，其特征在于该方法具体步骤包括：步骤(1).构建矩阵图像：以等距离滑动窗口的方法对用户历史行为的时间序列采样并构建矩阵图像样本集R：

【技术特征摘要】
1.一种基于循环生成对抗网络的个性化推荐方法，其特征在于该方法具体步骤包括：步骤(1).构建矩阵图像：以等距离滑动窗口的方法对用户历史行为的时间序列采样并构建矩阵图像样本集R：t为样本总个数，n为用户个数，m为项目个数；以d天为一个周期，每d天的数据生成一个二维的矩阵图像，每隔I天取次样，d∈(10,30,50)；具体如下：其中表示是由第1天到第d天的数据组成的矩阵图像，Dd为第d天的数据；步骤(2).构建循环生成对抗网络，具体是：(2-1).构建生成对抗网络A和B：①生成器：用以生成与用户历史行为构建的矩阵图像相似的矩阵，由全连接，卷积层，反卷积层和规范化层组成；②判别器：判别器的过程与生成器相反，用来判断生成器生成图像的准确性，由卷积层和全连接层组成；(2-2)构建编码器：用来压缩生成图像，由全连接层组成；步骤(3).循环生成对抗网络内部过程，包括：(3-1).构建矩阵图像：输入一个100×1的高斯噪音矩阵给第一个生成对抗网络A中的生成器，先通过M层反卷积操作，将噪音矩阵逐渐构建成图像矩阵；每层反卷积之后再用一层卷积层操作提取特征，最后生成一个rn×m的矩阵图像；(3-2).判别图像真伪：从采样样本集R中选取一部分连续矩阵图像样本与生成器生成的l个矩阵图像组合成为训练样本为生成器生成的矩阵图像；将训练样本tr输入判别器，鉴别矩阵图像真伪；(3-3).计算AUC和MSE：用生成器生成新的矩阵图像，与原矩阵图像对比，计算AUC和MSE；所述的AUC为模型评价指标，越接近1，说明模型效果越好；所述的MSE为误差评价指标，越接近0，说明模型效果越好；其中其中PT表示矩阵图像正样本点的预测概率，PF表示矩阵图像负样本点的预测概率，因此PT应该接近1，PF应该接近0，I(PT,PF)表示预测正样本概率大于负样本概率的样本数量；其中f(xj)为预测图像上j点的值，yj为真实图像上j点的值；(3-4).特征提取压缩图像：当生成器生成的矩阵图像的AUC大于阈值k1且MSE小于阈值k2时，认为生成器生成的图像...

【专利技术属性】
技术研发人员：张子柯，王睿修，李丽霞，刘闯，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：浙江,33