【技术实现步骤摘要】
一种推荐美食店铺的方法及系统
本专利技术涉及人工智能领域，特别涉及一种推荐美食店铺的方法及系统。
技术介绍
在大数据时代，海量数据为用户带来更丰富信息的同时，也为符合需求的用户信息的获取带来了极大的困难。因此，出现了采用个性化推荐方式推荐所需的用户信息，在进行个性化推荐方式推荐用户信息时，可以根据用户的历史行为，提供用户感兴趣的信息，极大地提高了用户信息获取效率。目前，在进行个性推荐时，可以采用协同过滤方法、基于内容的推荐方法和混合推荐方法。其中，协同过滤方法是最经典的方法。近年来，深度学习在图像处理、自然语言理解和语音识别等领域取得了突破性进展，已经成为了人工智能的一个热潮，为个性化推荐的研究带来了新的机遇。基于深度学习的个性化推荐方式中，最常用的神经网络网络是自编码器神经网络，该神经网络在推荐个性化方式中主要被应用于学习用户和项目的隐层特征表示，它通过对用户评分数据进行学习，得到用户隐表示，基于用户隐表示对项目进行预测。基于深度学习的个性化推荐有较强的深层语义表示学习能力，在推荐领域中表现较好。然而，在对用户进行美食店铺推荐中，除了用户对美食店铺的评分数据外，其他用户特征数据也对用户的美食店铺选择有较大影响，比如用户的口味偏好、菜系偏好、评价文本及特色菜等数据。但是，目前的基于深度学习的个性化推荐方式仅仅考虑了用户的评分数据，难以满足美食店铺推荐的用户多维度用户特征考虑；其次，目前的基于深度学习的个性化推荐方式无法很好地解决冷启动问题，即当用户评分数据几乎没有时，无法对其作出较为精准的美食店铺推荐。
【技术保护点】
1.一种推荐美食店铺的方法，其特征在于，所述方法包括：/n基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；/n将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；/n根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。/n
【技术特征摘要】
1.一种推荐美食店铺的方法，其特征在于，所述方法包括：
基于所获取的一用户画像的数据及获取的多个美食店铺的数据，分别计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度；
将所述计算的相似度及获取的用户历史打分数据输入到训练得到的自编码器神经网络模型中进行评分预测，得到所述美食店铺的评分；
根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺。
2.如权利要求1所述的方法，其特征在于，所述用户画像的数据包括用户的注册信息和行为信息，获取方式是通过后台获取的；
所述用户画像的表示向量的实现包括：
将用户的注册信息采用独热编码one-hot进行向量表示，将用户的行为信息采用词袋bag-of-words进行向量表示，将向量表示的用户的注册信息及用户的行为信息进行拼接，得到所述用户画像的表示向量。
3.如权利要求1所述的方法，其特征在于，所述美食店铺的数据包括美食店铺的评论文本、菜系、菜品及口味；
所述美食店铺的表示向量的实现包括：
将美食店铺评论文本用bag-of-words进行向量表示，将美食店铺的菜系、菜品及口味用one-hot进行向量表示，对上述两种向量表示进行拼接，得到所述美食店铺的表示向量。
4.如权利要求1所述的方法，其特征在于，所述计算所述用户画像的表示向量与所述每个美食店铺的表示向量之间的相似度采用余弦相似度计算公式进行计算，余弦相似度计算公式为：
其中，similarity(user,item)表示用户画像user与美食店铺item之间的余弦相似度函数，n表示向量的维度。
5.如权利要求1所述的方法，其特征在于，所述训练自编码器神经网络模型包括：
将所述计算的相似度及获取的用户历史打分数据进行加权求和，获得求和向量，记为sumui，sumui的计算如下：
sumui＝ω1ui+ω2simi
其中，ω1为用户历史打分数据ui的加权值；ω2为所述计算的相似度simi的加权值；
将sumui作为自编码器神经网络模型的输入，自编码器神经网络模型的各层为：
其中，h1、h2为自编码器的两层隐藏层，W1、b1、W2、b2是两层隐藏层涉及到的训练参数，为自编码器的输出层，W3、b3为输出层的训练参数；
所述自编码器神经网络模型采用栈式结构，采用梯度下降方式对所述自编码器神经网络模型进行训练，训练的参数包括所述相似度的加权因子、自编码器神经网络模型的各层参数。
6.如权利要求1所述的方法，其特征在于，所述根据所述美食店铺的评分排序，得到为所述用户推荐的美食店铺包括...
【专利技术属性】
技术研发人员：杨志明，
申请(专利权)人：深思考人工智能科技上海有限公司，
类型：发明
国别省市：上海;31
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。