一种基于深度学习的多行为迁移推荐方法技术

本发明专利技术公开一种基于深度学习的多行为迁移推荐方法，首先，获取用户的多种隐式反馈数据集并进行处理；构建一个基网络G

A multi behavior transfer recommendation method based on deep learning

【技术实现步骤摘要】
一种基于深度学习的多行为迁移推荐方法
本专利技术属于数据挖掘及推荐
，具体涉及一种基于深度学习的多行为迁移推荐方法。
技术介绍
随着互联网上信息和内容的爆炸式增长，人类社会进入了“信息过载”的时代。人们难以迅速有效地找到自己所需的内容或者项目，因此推荐系统应运而生。推荐系统的核心是推荐算法，它通过挖掘用户和项目之间的关系，帮助用户从海量数据中发现感兴趣的项目，并生成个性化推荐列表。传统的推荐方法主要包括协同过滤方法，基于内容的推荐方法和混合推荐方法，其中协同过滤方法利用用户的历史行为记录向用户推荐与之偏好相近的用户所喜欢的项目，基于内容的推荐方法根据用户历史喜欢的项目向其推荐与之相似的项目，而混合推荐是将多种推荐方法融合进行推荐。构造推荐系统的关键资源是用户历史行为数据，具体可以分为两类：显式反馈和隐式反馈。显式反馈是指用户给出的显式评分，如电影评分、商品打分等，而隐式反馈不直接表现出用户的偏好，如点击商品或者加入购物车等。显式反馈虽然能明确的表现用户的偏好，但是通常包含一些噪声，而且不易获得。隐式反馈数据不需要增加用户负担，具有本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多行为迁移推荐方法，其特征在于，包括以下步骤：/n(1)对预先获取的用户历史行为数据进行处理获得多种隐式反馈数据集；/n(2)根据用户的多种隐式反馈数据集构建一个基网络G

【技术特征摘要】
1.一种基于深度学习的多行为迁移推荐方法，其特征在于，包括以下步骤：
(1)对预先获取的用户历史行为数据进行处理获得多种隐式反馈数据集；
(2)根据用户的多种隐式反馈数据集构建一个基网络Gb和多个行为网络G(k)，并利用网络表示学习方法学习用户和物品节点在各个网络中的低维嵌入表示；
(3)基于用户的多个隐式行为反馈对用户偏好建模的影响不同，使用注意力机制自动学习各个行为的权重，得到用户和物品的融合低维嵌入表示；
(4)将用户和物品的低维嵌入向量自然拼接后送入全连接嵌入层，采用基于深度神经网络的偏好学习方法，并反馈到具有隐藏层的前馈神经网络中，在输出层学习用户对物品的偏好。


2.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法，其特征在于，步骤(1)所述的隐式反馈数据主要包括用户点击数据、加入购物车数据、收藏数据和购买数据。


3.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法，其特征在于，步骤(2)所述的基网络Gb是一个包含用户和物品两种节点，以及一种类型的连边的网络；所述每个行为网络G(k)中也包含用户和物品节点，且只有用户和物品之间有过对应的行为。


4.根据权利要求1所述的一种基于深度学习的多行为迁移推荐方法，其特征在于，步骤(2)所述的网络表示学习方法基于node2vec的随机游走策略，并行学习基网络和多个行为网络中用户和物品节点的之间的结构关系，得到用户和物品的词嵌入向量Ub和Us(k)，游走概率计算方式为：



其中，其中Ub表示从基网络中学习得到的词嵌入向量，而Us(k)表示从第k个行为网络中学习得到的词嵌入向量，Pro(k|k-1)表示从节点uk-1游走到节点uk的概率，α是node2vec中的二阶随机游走参数，α＝1/p表示从节点uk-1回到节点uk-2，α＝1表示节点uk-2与节点uk相连，α＝1/q表示节点uk-2与节点uk不直接相连，但节点uk-1与节点uk直接相连，通过调节变量p和q控制...

【专利技术属性】
技术研发人员：陈可佳，张慧，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32