The invention discloses a hybrid neural network recommendation system based on collaborative filtering model, which includes data preprocessing module, hybrid neural collaborative filtering module, score prediction module, recommendation module and database, in which the data preprocessing module obtains raw data from the database and converts the original data into matrix form; and the hybrid neural collaborative filtering module passes through multiple channels. The model trains at the same time to obtain the probability value of the user's score; the score prediction module outputs the final score prediction value by combining the hybrid neural collaborative filtering module and the generalized matrix decomposition, and finally stores the score prediction value as the score prediction result in the database; the recommendation module uses the score prediction module to calculate the score prediction result, and then carries on the evaluation index. Sort to recommend to users. The present invention utilizes hybrid neural networks with different structures, uses more neural network layers, improves prediction accuracy significantly and obtains more diversified information.
【技术实现步骤摘要】
一种基于协同过滤模型的混合神经网络推荐系统
本专利技术属于机器学习领域中的推荐系统研究领域,是一种基于混合神经网络通过协同过滤挖掘用户兴趣偏好来进行推荐的推荐系统。
技术介绍
随着互联网的快速发展与普及,人们面临着琳琅满目的在线内容(如电影、书籍和音乐),导致用户寻找到自己想要的信息需要耗费大量时间,即说到的信息过载现象。为了解决这种现象,推荐系统应运而生。目前,推荐系统已经被广泛地应用于如淘宝、Netflix、亚马逊和YouTube等国内外电商平台。据报道,80%用户使用Netflix的推荐引擎观看电影,YouTube的主页推荐超过60%的视频点击。推荐系统在更加方便地服务客户的同时,也大幅度地提高了公司的利润。推荐系统中最重要的挑战之一就是如何提高算法的准确性。解决这个问题的关键在于需要建一个精确的模型来表示用户与商品之间的关系。例如矩阵分解(matrixfactorization,MF)是分别对用户和商品联合映射到一个潜在空间中,潜在空间中每一个向量代表一个用户或商品,通过潜在因子(隐因子)内积运算预测某一用户对某一商品的兴趣程度。内积运算方法实际上是一个线性模型,而线性方法对用户和商品之间的关系进行建模是不完全的,因为也存在非线性关系。由此,提出了神经协同过滤(NeuralCollaborativeFiltering,NCF),它利用多层感知器(Multi-LayerPerceptron,MLP)来学习用户和商品之前的非线性关系。NCF采用塔型的多层感知器,其中每个神经层的节点数是下一个神经层的两倍,当神经网络的深度增加时,算法呈指数级增长,这就造 ...
【技术保护点】
1.一种基于协同过滤模型的混合神经网络推荐系统,其特征在于,包括数据预处理模块、混合神经协同过滤模块、评分预测模块、推荐模块和数据库;其中,数据预处理模块,用于从数据库中提取用户对商品的评分信息,并过滤掉对商品的评分数少于预设阈值的用户;并设置用户对商品的评分标识符,若存在评分,则将评分标识符设置1;否则设置为0;然后基于用户对商品的评分标识符构建用户‑商品评分矩阵并存入数据库中,用户‑商品评分矩阵的每一行代表的是一位用户的信息,即用户特征向量;每一列代表一件商品的信息,即商品特征向量,表中数值代表评分标识符;混合神经协同过滤模块,包括嵌入层、全局神经块和局部神经块构成的混合神经网络;所述全局神经块采用塔式的多层神经网络,每一层神经网络即为一层全局神经网络层;全局神经网络层从前往后的网络层节点数递减,前一层全局神经网络层的节点数是后一层全局神经网络层的2倍;同时,在相邻两个全局神经网络层中插入一定数量的堆叠的神经网络层,构成两个相邻的全局神经网络层之间的局部神经块;混合神经协同过滤模块从数据库中读取用户特征向量和商品特征向量,并输入嵌入层;所述嵌入层基于其上设置的隐向量,分别将户特征向 ...
【技术特征摘要】
1.一种基于协同过滤模型的混合神经网络推荐系统,其特征在于,包括数据预处理模块、混合神经协同过滤模块、评分预测模块、推荐模块和数据库;其中,数据预处理模块,用于从数据库中提取用户对商品的评分信息,并过滤掉对商品的评分数少于预设阈值的用户;并设置用户对商品的评分标识符,若存在评分,则将评分标识符设置1;否则设置为0;然后基于用户对商品的评分标识符构建用户-商品评分矩阵并存入数据库中,用户-商品评分矩阵的每一行代表的是一位用户的信息,即用户特征向量;每一列代表一件商品的信息,即商品特征向量,表中数值代表评分标识符;混合神经协同过滤模块,包括嵌入层、全局神经块和局部神经块构成的混合神经网络;所述全局神经块采用塔式的多层神经网络,每一层神经网络即为一层全局神经网络层;全局神经网络层从前往后的网络层节点数递减,前一层全局神经网络层的节点数是后一层全局神经网络层的2倍;同时,在相邻两个全局神经网络层中插入一定数量的堆叠的神经网络层,构成两个相邻的全局神经网络层之间的局部神经块;混合神经协同过滤模块从数据库中读取用户特征向量和商品特征向量,并输入嵌入层;所述嵌入层基于其上设置的隐向量,分别将户特征向量和商品特征向量映射为稠密向量后,再输出至第一层全局神经网络层;通过对混合神经网络的训练,获取混合神经网络的层间权重信息;并基于训练好的层间权重信...
【专利技术属性】
技术研发人员:曾伟,汪韦怡,樊哿,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
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。