一种基于深度学习的分时段用户活动推荐方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的分时段用户活动推荐方法，包括如下步骤：步骤1、用户登录系统，获取该用户的用户数据和当前的时间数据；同时，获取系统所提供的N个活动的活动数据，其中N为活动的总数量；步骤2、将用户数据、当前时间数据和每个活动数据进行组合，得到N组输入数据，每一组输入数据包含该用户数据、时间数据5以及一个活动数据；步骤3、对每组输入数据进行预处理，将文本型数据转换为数值型数据；步骤4、将处理后的N组输入数据输入深度神经网络，所述深度神经网络输出该用户在当前时间对应每个活动的预测评分；步骤5、向用户推荐预测评分最高的活动。

【技术实现步骤摘要】
一种基于深度学习的分时段用户活动推荐方法及装置
本专利技术涉及一种基于深度学习的分时段用户活动推荐方法及装置，属于计算机人工智能推荐领域。
技术介绍
推荐系统就是根据用户的历史行为、社交关系、兴趣点、所处上下文环境等信息去判断用户当前需要或感兴趣的物品/服务的一类应用。推荐系统的主要任务就是联系用户和信息。对用户而言，推荐系统能帮助用户找到喜欢的物品/服务，帮忙进行决策，发现用户可能喜欢的新事物；对商家而言，推荐系统可以给用户提供个性化的服务，提高用户信任度和粘性，增加营收。在这个信息爆炸的时代，信息过载问题催生了推荐系统在我们日常生活中方方面面的渗透：电子商务、电影或视频网站、个性化音乐网络电台、社交网络、个性化阅读、基于位置的服务、个性化邮件、个性化广告……在你逛淘宝、订外卖、听网络电台、看美剧、查邮件、淘攻略的时候，推荐系统在你不知不觉中将你可能感兴趣的内容推送给你。个性化推荐系统需要依赖用户的行为数据，一般都是作为一个应用存在于不同网站之中。推荐系统在日常生活中的应用随处可见，比如网上购物、音乐软件、电影网站等等，根据个本文档来自技高网...

【技术保护点】
1.一种基于深度学习的分时段用户活动推荐方法，其特征在于，包括如下步骤：/n步骤1、用户登录系统，获取该用户的用户数据和当前的时间数据；同时，获取系统所提供的N个活动的活动数据，其中N为活动的总数量；/n步骤2、将用户数据、当前时间数据和每个活动数据进行组合，得到N组输入数据，每一组输入数据包含该用户数据、时间数据以及一个活动数据；/n步骤3、对每组输入数据进行预处理，将文本型数据转换为数值型数据；/n步骤4、将处理后的N组输入数据输入深度神经网络，所述深度神经网络输出该用户在当前时间对应每个活动的预测评分；/n步骤5、向用户推荐预测评分最高的活动。/n

【技术特征摘要】
1.一种基于深度学习的分时段用户活动推荐方法，其特征在于，包括如下步骤：
步骤1、用户登录系统，获取该用户的用户数据和当前的时间数据；同时，获取系统所提供的N个活动的活动数据，其中N为活动的总数量；
步骤2、将用户数据、当前时间数据和每个活动数据进行组合，得到N组输入数据，每一组输入数据包含该用户数据、时间数据以及一个活动数据；
步骤3、对每组输入数据进行预处理，将文本型数据转换为数值型数据；
步骤4、将处理后的N组输入数据输入深度神经网络，所述深度神经网络输出该用户在当前时间对应每个活动的预测评分；
步骤5、向用户推荐预测评分最高的活动。


2.根据权利要求1所述的一种基于深度学习的分时段用户活动推荐方法，其特征在于：所述深度神经网络包括用于处理用户数据的第一神经网络、用于处理活动数据的第二神经网络、用于处理时间数据的第三神经网络以及总全连接层；所述第一神经网络的输入为预处理后的用户数据，输出为用户特征向量，所述第二神经网络的输入为预处理后的活动数据，输出为活动特征向量，所述第三神经网络为预处理后的时间数据，输出为时间特征向量，将用户特征向量、活动特征向量以及时间特征向量进行向量拼接后输入所述总全连接层，所述总连接层的输出为该用户在该时间进行各个活动对应的预测评分。


3.根据权利要求2所述的一种基于深度学习的分时段用户活动推荐方法，其特征在于：所述步骤2中的用户数据包括用户ID和用户职业，活动数据包括活动ID、活动名以及活动类型，所述时间数据为日期；所述步骤3中，对每组输入数据进行预处理，具体为：将用户ID和活动ID分别转换为数字编号；建立用户职业和活动类型编号映射表，根据该映射表，将用户职业和活动类型转换为对应的数字编号；统一所述活动名的文本长度，空白部分采用数字填充；将时间数据中的月信息保持不变，日信息按时间段划分，每一时间段对应一数字编号。


4.根据权利要求3所述的一种基于深度学习的分时段用户活动推荐方法，其特征在于：所述第一神经网络包括第一嵌入层和第一全连接层，所述第一嵌入层将预处理后的用户数据转换为维度为(a，b)的向量，分别得到用户ID特征和用户职业特征，将用户ID特征和用户职业特征进行向量拼接后输入第一全连接层中，所述第一全连接层输出所述用户特征向量；所述第二神经网络包括第二嵌入层、文本卷积神经网络以及第二全连接层，所述第二嵌入层将预处理后的活动ID和活动类型转换为(a，b)的向量，分别得到活动ID特征和活动类型特征，所述文本卷积神经网络将活动名进行语义特征提取，输出维度为(a，b)的活动名特征，将活动ID特征、活动类型特征和活动名特征进行向量拼接后输入第二全连接层，所述第二全连接层输出活动特征向量；所述第三神经网络包括第三嵌入层和第三全连接层，所述第三嵌入层将月份信息和时间段信息转换为维度为(a，b/2)的向量，分别得到月份特征和月内时间段特征；将所述月份特征和月内时间段特征输入第三全连接层，所述第三全连接层输出时间特征向量。


5.根据权利要求1所述的一种基于深度学习的分时段用户活动推荐方法，其特征在于：所述深度神经网络的训练步骤如下：
创建训练集：采集在先已产生的用户活动数据作为训练样本，所述训练集中包含多个训练样本，各训练样本包括用户数据、活动数据、时间数据以及根据用户操作该活动的时长计算出真实评分；
预处理训练样本：将所述用户数据、活动数据以及时间数据进行所述步骤3中的预处理；
训练深度神经网络：将预处理后的数据输入深度神经网络，得到各训练样本对应的预测评分；使用MSE损失函数求出1到n个真实值与预测值的平均误差；损失函数为：
其中，yi为第i个训练样本对应的真实评分，而yi’为深度神经网络输出的预测评分；采用随机梯度下降方法，往平均误差减少的梯度调整深度神经网络的参数值，计算出更新后的深度神经网络的权重值和偏置值；使用更新后的权重值和偏置值重新配置深度神经网络，再次使用训练样本训练深度神经网络，直至寻找损失函数最小值，完成深度神经网络的收敛。


6.一种基于深度学习...

【专利技术属性】
技术研发人员：黄新恩，黄茉，翁增仁，胡锦锋，郑升尉，陈海量，
申请(专利权)人：福建博思软件股份有限公司，
类型：发明
国别省市：福建;35