一种共同偏好辅助的深度单类协同过滤推荐方法技术

本发明专利技术公开了一种共同偏好辅助的深度单类协同过滤推荐方法，步骤为：数据采集与处理；划分数据集；构建共同偏好辅助的模型；训练模型和项目推荐。本发明专利技术采用的个人深度潜在因素表示网络(DLFR)可以单独出来作为预测用户项目交互的概率，也可以作为共同偏好辅助的深度单类协同过滤推荐模型中的一个子网络，输出用户项目交互的耦合关系。本发明专利技术使用单类协同过滤(OCCF)以及深度神经网络(MLP)学习用户邻居对于项目类别的共同偏好以及用户与项目之间的交互，有助于学习更深层次的用户邻居偏好对用户项目交互的影响，具有良好的推荐准确度和可解释性。

A deep single class collaborative filtering recommendation method assisted by common preference

【技术实现步骤摘要】
一种共同偏好辅助的深度单类协同过滤推荐方法
本专利技术属于计算机人工智能的
，尤其涉及一种共同偏好辅助的深度单类协同过滤推荐方法。
技术介绍
推荐系统在帮助用户在庞大的影音库中发现符合个人喜好的项目有着重要的作用。为了给用户提供有用的建议，我们捕获和理解用户反馈的信息。在实际场景中，显式数据不好获取，而隐式数据较好得到，比如页面链接点击、视频观看、产品购买和其他用户/项目交互历史记录。然而隐式数据存在不确定性、季度稀疏性和不平衡性等问题，仅使用隐式拘束本身很难获得较高的推荐精度。
技术实现思路
基于以上现有技术的不足，本专利技术所解决的技术问题在于提供一种共同偏好辅助的深度单类协同过滤推荐方法，具有良好的推荐准确度和可解释性。为了解决上述技术问题，本专利技术通过以下技术方案来实现：本专利技术将人口统计学信息等显式特征与潜在因素相结合，通过学习用户邻居的共同偏好来对某一类物品的偏好，预测受显式特征影响的用户-项目交互概率和推荐可视性，提供一种共同偏好辅助的深度单类协同过滤推荐方法，包括以下步骤：步本文档来自技高网...

【技术保护点】
1.一种共同偏好辅助的深度单类协同过滤推荐方法，其特征在于，包括以下步骤：/n步骤S1：数据采集与处理；/n步骤S2：划分数据集，将采集的数据集采用留一法的方式，将最新的用户项目交互项作为每个用户的测试集，其他的作为训练数据集，并随机抽取用户交互项集以外的项目，与测试项一起构成用户的测试数据集；/n步骤S3：构建共同偏好辅助的模型；/n步骤S4：训练模型和项目推荐，步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的共同偏好辅助的模型，通过学习与当前用户具有相似显式特征的自然邻居用户对某一类物品之间交互关系，间接利用显式特征来获得共同偏好。/n

【技术特征摘要】
1.一种共同偏好辅助的深度单类协同过滤推荐方法，其特征在于，包括以下步骤：
步骤S1：数据采集与处理；
步骤S2：划分数据集，将采集的数据集采用留一法的方式，将最新的用户项目交互项作为每个用户的测试集，其他的作为训练数据集，并随机抽取用户交互项集以外的项目，与测试项一起构成用户的测试数据集；
步骤S3：构建共同偏好辅助的模型；
步骤S4：训练模型和项目推荐，步骤S2中所得到的训练数据集和测试数据集分别用于训练和评估步骤S3构建的共同偏好辅助的模型，通过学习与当前用户具有相似显式特征的自然邻居用户对某一类物品之间交互关系，间接利用显式特征来获得共同偏好。


2.如权利要求1所述的共同偏好辅助的深度单类协同过滤推荐方法，其特征在于，所述步骤S3的具体步骤为：
S301、构建输入层：输入层包括四个输入内容，用户自然邻居向量、项目类别向量和用户/项目id；
S302、构建共同偏好辅助单类协同过滤模型；
S303、构建输出层。


3.如权利要求2所述的共同偏好辅助的深度单类协同过滤推荐方法，其特征在于，所述步骤S302的具体步骤如下：
S30201、构建个人深度潜在因素表示网络：通过输入用户标识u和项目标识v的独热向量通过网络学习预测用户-项目交互的概率aL，aL的维度与基于邻居的公共偏好表示网络输出的用户邻居对项目类别的高度抽象的共同偏好表示a′L的维度一致；
S30202、构建基于邻居的公共偏好表示网络：通过全连接层用户自然邻居NB和项目类别VF通过学习得到用户邻居对项目类别的高度抽象的共同偏好表示a′L；
S30203、构建共同偏好辅助的深度学习网络：步骤S30202的输出a′L与步骤S30201的输出aL合并为一个串联的向量，然后由一个全连接层进行处理，输出最终的交互向量，最终输出由一个Sigmoid函数激活。


4.如权利要求3所述的共同偏好辅助的深度单...

【专利技术属性】
技术研发人员：张全贵，胡嘉燕，李鑫，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：辽宁;21