一种基于用户隐式反馈的个性化神经网络推荐方法及系统技术方案

本发明专利技术公开了一种基于用户隐式反馈的个性化神经网络推荐方法及系统，本发明专利技术基于用户的隐式数据建立隐式反馈神经网络推荐(IFNNRM)模型，将获取到的用户标识及多个要推荐的信息标识，输入到所建立的IFNNRM模型中，输出得到推荐信息，用户隐式数据包括用户的特征信息、与用户相关联的要推荐信息、及用户和用户相关联的要推荐信息之间的行为信息。由于本发明专利技术实施例在建立IFNNRM模型时基于用户的隐式数据建立，所以在推荐时，采用IFNNRM进行推荐，从而可以基于用户的隐式数据，实现为用户推荐信息。

【技术实现步骤摘要】
一种基于用户隐式反馈的个性化神经网络推荐方法及系统
本专利技术涉及计算机
，特别涉及一种基于用户隐式反馈的个性化神经网络推荐方法及系统。
技术介绍
随着互联网技术的快速发展，互联网网络侧根据用户数据为用户进行个性化推荐。在进行个性化推荐过程中，需要根据用户的历史偏好和行为的用户历史数据，给用户提供其感兴趣的推荐信息。为了实现为用户推荐信息，目前有基于内容的推荐方法、协同过滤推荐方法、基于关联规则的推荐方法及组合推荐方法，以下进行简述。基于内容的推荐方法用来挖掘用户以前喜欢的物品信息，以便能够挖掘出和以前喜欢的物品信息相似的物品信息，作为推荐信息推荐给用户。该方法通过对用户以前评过分物品的描述及物品信息为用户建立用户的模型特征，在推荐过程中，将用户的模型特征与新物品信息的特征相匹配，从而输出用户对新物品信息的评分，作为用户推荐信息。协同过滤推荐方法是通过用户对项目的评分数据，获取到与目标用户或物品信息相似的对象作为候选推荐信息，进行推荐。协同过滤推荐方法有两种方式：基于用户的协同过滤推荐方法及基于项目的协同过滤推荐方法。其中基于用户的协同过滤推荐方法为：首先获取用户对于物品的评分，然后通过用户间的相似性寻找用户的最近邻居集合，最后利用预测函数和邻居用户集合的评分来完成为用户推荐的物品信息；基于物品的协同过滤推荐方法为：根据项目间相似性得到目标项目的相似项目集合，通过预测函数和相似物品集合产生为用户推荐的物品信息列表。基于关联规则的推荐方法是在用户使用物品的事务集合中分析使用事务X的用户中有多少对于事务Y也感兴趣，从而在后续推荐过程中，基于分析，为用户推荐信息。该方法根据预先产生的关联规则及用户的历史数据为用户推荐信息。组合推荐方法是将多种推荐方法组合在一起的一种方法，分别采用设置的每种推荐方法，根据用户的历史数据为用户推荐信息后，再有机的结合，得到结合后的推荐信息，作为最终为用户推荐的信息。上述每种推荐方法的输入信息分别是用户的历史数据，然后基于用户的历史数据输出推荐信息。其中，上述每种推荐方法基于的是用户的历史数据，而用户的历史数据都是显式方式获取得到的，也就是历史采集用户主动对物品信息的评分等信息，而这种显式获取到的用户历史数据在有很多场景下是无法获取到的，比如用户并不主动对物品信息进行评分等。这时，采用上述推荐方法就无法实现为用户推荐信息。
技术实现思路
有鉴于此，本专利技术实施例提供一种基于用户隐式反馈的个性化神经网络推荐方法，该方法能够基于用户隐式数据，实现为用户推荐信息。本专利技术实施例还提供一种基于用户隐式反馈的个性化神经网络推荐系统，该系统能够基于用户隐式数据，实现为用户推荐信息。本专利技术实施例是这样实现的：一种基于用户隐式反馈的个性化神经网络推荐方法，该方法包括：基于用户的隐式数据建立隐式反馈神经网络推荐IFNNRM模型；将获取到的用户标识及多个要推荐的信息标识，输入到所建立的IFNNRM模型中，输出得到推荐信息。所述用户的隐式数据包括用户的特征信息、与用户相关联的要推荐信息、及用户和用户相关联的要推荐信息之间的行为信息。所述用户的隐式数据的获取包括：基于用户标识，获取用户的互联网访问日志，从用户的互联网访问日志中获取得到用户隐式数据。所述建立IFNNRM模型包括：根据所述用户的隐式数据构建训练样本，输入到IFNNRM模型的输入层中，所述训练样本包括采用向量表示的用户特征信息、与用户相关联的要推荐信息、及用户和用户相关联的要推荐信息之间的行为信息；IFNNRM模型的嵌入层从所述输入层的用户特征信息向量抽取得到用户特征隐含向量，及从所述与用户相关联的要推荐信息向量抽取得到与用户相关联的隐含要推荐信息向量，对所述用户隐含特征信息向量及所述与用户相关联的隐含要推荐信息向量进行内积；将所述嵌入层的用户特征隐含向量及与用户相关联的隐含要推荐信息向量之间外积，输入到IFNNRM模型设置的卷积神经网络中进行卷积计算及池化后，提取得到用户行为隐含特征向量；将所述嵌入层的用户特征隐含向量、与用户相关联的隐含要推荐信息及所述用户隐含特征信息向量及所述与用户相关联的隐含要推荐信息向量的内积进行随机初始化后，输入到IFNNRM模型中设置的递减式的神经网络，提取得到用户行为隐含特征向量；在IFNNRM模型中的输出层将卷积神经网络抽取得到的用户行为隐含特征向量以及递减式神经网络抽取得到的用户行为隐含特征向量进行拼接后映射为评分，得到要推荐的信息是否进行推荐。所述IFNNRM模型设置的卷积神经网络中采用的权重，及所述IFNNRM模型设置的递减式的神经网络采用的权重，初始值随机，然后通过反向传播算法更新学习权重。根据所述用户的隐式数据分别构建验证样本及测试样本，输入到所述IFNNRM模型中进行验证及测试，所述分别在验证样本及测试样本中的用户隐式数据在所述训练样本中至少出现一次。在所述将获取到的用户隐式数据，输入到所建立的IFNNRM模型之前，还包括：根据用户的查询意图，从所建立的数据库找到匹配用户标识的要推荐信息，判断该用户在系统中产生的要推荐信息数据行为是否小于等于设定的推荐阈值，如果是，将所述要推荐信息作为为用户的推荐信息；如果否，将用户标识分别与数据库匹配得到的要推荐信息标识输入到所建立的IFNNRM模型中。所述建立的数据库采用词频/逆文本频率指数TF/IDF算法设置；在所述将所述要推荐信息作为为用户的推荐信息之前，还包括：采用设置的推荐算法对所述要推荐信息进行排序后，再将排序后的所述要推荐信息作为为用户的推荐信息。一种基于用户隐式反馈的个性化神经网络推荐系统，该系统包括：输入单元、输出单元、模型建立单元及模型处理单元，其中，模型建立单元，用于基于用户的隐式数据建立IFNNRM模型，发送给模型处理单元；输入单元，用于将获取到的用户标识及多个要推荐的信息标识，输入给模型处理单元；模型处理单元，用于从模型建立单元接收得到所建立的IFNNRM模型并存储，接收输入单元输入的用户标识及多个要推荐的信息标识，输入到保存的IFNNRM模型中处理，输出得到为用户推荐的信息；输出单元，用于将得到的为用户推荐的信息输出。所述模型处理单元，还用于在输入到保存的IFNNRM模型之前，包括：根据用户的查询意图，从所建立的数据库找到匹配用户标识的要推荐信息，判断该用户在系统中产生的要推荐信息数据行为是否小于等于设定的推荐阈值，如果是，将所述要推荐信息作为为用户的推荐信息；如果否，将用户标识分别与数据库匹配得到的要推荐信息标识输入到所建立的IFNNRM模型中处理。如上可见，本专利技术基于用户的隐式数据建立隐式反馈神经网络推荐(IFNNRM)模型，将获取到的用户标识及多个要推荐的信息标识，输入到所建立的IFNNRM模型中，输出得到推荐信息，用户隐式数据包括用户的特征信息、与用户相关联的要推荐信息、及用户和用户相关联的要推荐信息之间的行为信息。由于本专利技术实施例在建立IFNNRM模型时基于用户的隐式数据建立，所以在推荐时，采用IFNNRM进行推荐，从而可以基于用户的隐式数据，实现为用户推荐信息。附图说明图1为本专利技术实施例提供的基于用户隐式反馈的个性化神经网络推荐方法流程图；图2为本专利技术实施例提供的所建立IFNNRM模型的结构示意图；图3为本专利技术实施本文档来自技高网...

【技术保护点】
1.一种基于用户隐式反馈的个性化神经网络推荐方法，其特征在于，该方法包括：基于用户的隐式数据建立隐式反馈神经网络推荐IFNNRM模型；将获取到的用户标识及多个要推荐的信息标识，输入到所建立的IFNNRM模型中，输出得到推荐信息。

【技术特征摘要】
1.一种基于用户隐式反馈的个性化神经网络推荐方法，其特征在于，该方法包括：基于用户的隐式数据建立隐式反馈神经网络推荐IFNNRM模型；将获取到的用户标识及多个要推荐的信息标识，输入到所建立的IFNNRM模型中，输出得到推荐信息。2.如权利要求1所述的推荐方法，其特征在于，所述用户的隐式数据包括用户的特征信息、与用户相关联的要推荐信息、及用户和用户相关联的要推荐信息之间的行为信息。3.如权利要求1或2所述的推荐方法，其特征在于，所述用户的隐式数据的获取包括：基于用户标识，获取用户的互联网访问日志，从用户的互联网访问日志中获取得到用户隐式数据。4.如权利要求2所述的推荐方法，其特征在于，所述建立IFNNRM模型包括：根据所述用户的隐式数据构建训练样本，输入到IFNNRM模型的输入层中，所述训练样本包括采用向量表示的用户特征信息、与用户相关联的要推荐信息、及用户和用户相关联的要推荐信息之间的行为信息；IFNNRM模型的嵌入层从所述输入层的用户特征信息向量抽取得到用户特征隐含向量，及从所述与用户相关联的要推荐信息向量抽取得到与用户相关联的隐含要推荐信息向量，对所述用户隐含特征信息向量及所述与用户相关联的隐含要推荐信息向量进行内积；将所述嵌入层的用户特征隐含向量及与用户相关联的隐含要推荐信息向量之间外积，输入到IFNNRM模型设置的卷积神经网络中进行卷积计算及池化后，提取得到用户行为隐含特征向量；将所述嵌入层的用户特征隐含向量、与用户相关联的隐含要推荐信息及所述用户隐含特征信息向量及所述与用户相关联的隐含要推荐信息向量的内积进行随机初始化后，输入到IFNNRM模型中设置的递减式的神经网络，提取得到用户行为隐含特征向量；在IFNNRM模型中的输出层将卷积神经网络抽取得到的用户行为隐含特征向量以及递减式神经网络抽取得到的用户行为隐含特征向量进行拼接后映射为评分，得到要推荐的信息是否进行推荐。5.如权利要求4所述的推荐方法，其特征在于，所述IFNNRM模型设置的卷积神经网络中采用的权重，及所述IFNNRM模型设置的递减式的神经网络采用的权重，初始值随机，然后通...

【专利技术属性】
技术研发人员：杨志明，
申请(专利权)人：深思考人工智能机器人科技北京有限公司，
类型：发明
国别省市：北京,11