【技术实现步骤摘要】
一种基于堆栈降噪自编码器的图书推荐方法
本专利技术属于基于深度学习的推荐
,具体涉及一种基于堆栈降噪自编码器的推荐技术研究,并且用于实现图书领域的智能推荐。
技术介绍
2016年的YouTube发表论文将深度学习应用于视频推荐取得了非常好的效果,自此之后,深度学习技术在推荐系统上的应用越来越广泛,各种论文、产业应用层出不穷。国际著名的推荐系统会议RecSys从2016开始专门组织关于深度学习的会议,深度学习在推荐圈中越来越受到重视。传统的推荐算法需要根据用户-项目评分矩阵进行推荐,这种方式不但特别依赖于评分矩阵的稀疏性而且推荐精度并不理想。相对于传统方法,堆栈降噪自动编码器(SDAE)的最大特点在于能够学习用户和项目的隐向量。一方面,为了解决冷启动和数据稀疏性等问题,利用辅助信息主要包括用户和图书的辅助信息,将其当作深度学习模型的输入,结果表明通过利用辅助信息能够有效提高推荐精度。另一方面,在探索深度网络中,在推荐算法领域中深度学习被提出以前,推荐精度的提高一直都是推荐领域一个重要的问题。通过改进SDAE的深度模型用来学习用户和项目的隐向量,本专利技术在此基础上结合用户和项目的评分矩阵R,结合辅助信息和偏置向量来学习用户和项目的隐向量矩阵U和V,进而预测出评分矩阵R中的缺失的值,并使用评分矩阵为用户进行图书推荐。
技术实现思路
本专利技术提供一种基于堆栈降噪自编码器的图书推荐方法,通过加入辅助信息和偏置向量,打破深度学习和传统推荐算法之间的壁垒,关联两者之间的关系,进一步提升推荐算法 ...
【技术保护点】
1.一种基于堆栈降噪自编码器的图书推荐方法,其特征在于,具体包括以下几个步骤:/n步骤1:下载公共图书数据集Book-Crossing;/n步骤2:对所述步骤1准备好的图书数据集进行预处理,解决数据不一致、杂乱无章的问题,得到处理后的数据集;/n步骤3:定义超参数,本专利技术模型训练定义的超参数如下:e_epochs=100;num_layers=3;learning_rate=0.1;/n步骤4:使用深度学习SDAE提取用户和图书的数据特征,构建用户特征向量和图书特征向量;/n步骤5:构建两个堆栈降噪自编码器深度模型,使用所述步骤4得到的两个特征向量分别作为其深度模型的输入,构建深度学习模型,在模型训练过程种使用SGD随机梯度下降法和反向传播训练网络优化损失函数,逐层调整损失函数的权值,直到损失函数不再收敛,结束网络训练,得到权重准确的深度学习模型,使得用户和图书的特征向量更加精确;/n步骤6:将所述步骤5训练得到的用户和图书的特性向量,加入用户和图书的偏置,将偏置加入到用户和图书的特征向量,然后将这两个特征向量加入到矩阵分解对应的向量中,进行评分矩阵的填充,达到图书推荐的目的;/n ...
【技术特征摘要】
1.一种基于堆栈降噪自编码器的图书推荐方法,其特征在于,具体包括以下几个步骤:
步骤1:下载公共图书数据集Book-Crossing;
步骤2:对所述步骤1准备好的图书数据集进行预处理,解决数据不一致、杂乱无章的问题,得到处理后的数据集;
步骤3:定义超参数,本发明模型训练定义的超参数如下:e_epochs=100;num_layers=3;learning_rate=0.1;
步骤4:使用深度学习SDAE提取用户和图书的数据特征,构建用户特征向量和图书特征向量;
步骤5:构建两个堆栈降噪自编码器深度模型,使用所述步骤4得到的两个特征向量分别作为其深度模型的输入,构建深度学习模型,在模型训练过程种使用SGD随机梯度下降法和反向传播训练网络优化损失函数,逐层调整损失函数的权值,直到损失函数不再收敛,结束网络训练,得到权重准确的深度学习模型,使得用户和图书的特征向量更加精确;
步骤6:将所述步骤5训练得到的用户和图书的特性向量,加入用户和图书的偏置,将偏置加入到用户和图书的特征向量,然后将这两个特征向量加入到矩阵分解对应的向量中,进行评分矩阵的填充,达到图书推荐的目的;
步骤7:将本文提出的模型应用到本校图书馆中,为读者进行图书推荐。
2.根据权利要求1所述的一种基于堆栈降噪自编码器的图书推荐方法,其特征在于,所述步骤2中对图书数据进行预处理的方式如下:
①对数据集中字段为空的数据进行填充,采用均值的方式;
②对数据集中不需要的数据字段进行备份并删除;
③针对数据集中数据字段和数据不匹配的情况,对数据进行人工处理;
对经过所述①—③步骤处理后的图书训练集中的数据进行随机选取叠加,添加到原始图书数据集中,得到完整图书数据集。
3.根据权利要求1所述的一种基于堆栈降噪自编码器的图书推荐方法,其特征在于,所述步骤5中训练深度网络模型的过程如下:
①将所述步骤2中完整图书数据集分为多个数据样本包...
【专利技术属性】
技术研发人员:薛涛,赵雪青,许挺娟,高岭,
申请(专利权)人:西安工程大学,
类型:发明
国别省市:陕西;61
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。