一种基于深度神经网络的商品推荐方法及系统技术方案

本发明专利技术属于智能推荐技术领域，公开了一种基于深度神经网络的商品推荐方法及系统，基于深度神经网络的商品推荐方法包括：首先输入层进行用户与商品特征获取；嵌入层进行用户与商品特征初处理；其次用户‑商品交互层进行用户特征与商品特征交互；残差网络层进行潜在特征深度提取；最后，输出层通过sigmoid激活函数进行用户所需商品推荐的预测。本发明专利技术能有效减少平台对用户的非相关商品推荐，利用深度残差网络代替神经协同过滤推荐算法中的普通神经网络，从而捕获用户‑物品关系数据中高阶非线性特征，解决目前推荐算法由于使用的神经网络较为简单导致提取高阶非线性特征不足的问题，从而达到较好的推荐效果。

【技术实现步骤摘要】
一种基于深度神经网络的商品推荐方法及系统
本专利技术属于智能推荐
，尤其涉及一种基于深度神经网络的商品推荐方法及系统。
技术介绍
目前，随着电子商务规模的不断扩大，商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。许多平台都拥有自己的推荐系统，它们能够根据用户平时行为习惯和浏览记录来分析，推荐自己平台相关的商品，然而用户平时的偶然操作也被记录在内，商家平台经常推荐一些自己不感兴趣的商品或者一时兴起浏览的商品，这是因为推荐算法无法深度捕捉用户-物品交互数据中的高阶非线性的交互关系，从而导致平台对用户的非相关商品推荐。目前市场上的两种基于神经网络的协同过滤框架，一种是神经协同过滤框架(NCF)，该模型结合了矩阵分解(MF)和多层感知机(MLP)来学习用户-物品交互特征，统一了MF的线性建模优势和MLP的非线性建模优势；另一种是基于外积的神经协同过滤推荐算法(ONCF)，采用外积的方式表示用户-物品的关系，通过卷积神经网络来学习用户-物品交本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的商品推荐方法，其特征在于，所述基于深度神经网络的商品推荐方法包括：/n输入层进行用户与商品特征获取；/n嵌入层进行用户与商品特征初处理；/n用户-商品交互层进行用户特征与商品特征交互；残差网络层进行潜在特征深度提取；/n输出层通过sigmoid激活函数进行用户所需商品推荐的预测。/n

【技术特征摘要】
1.一种基于深度神经网络的商品推荐方法，其特征在于，所述基于深度神经网络的商品推荐方法包括：
输入层进行用户与商品特征获取；
嵌入层进行用户与商品特征初处理；
用户-商品交互层进行用户特征与商品特征交互；残差网络层进行潜在特征深度提取；
输出层通过sigmoid激活函数进行用户所需商品推荐的预测。


2.如权利要求1所述基于深度神经网络的商品推荐方法，其特征在于，所述基于深度神经网络的商品推荐方法包括以下步骤：
步骤一，获取用户与商品规格数据，并在输入层对用户和产品的特征采用one-hot编码，让用户和物品为隐含特征向量表示，将信息特征离散化；
步骤二，将经过输入层one-hot编码的二值化稀疏向量通过嵌入层映射为稠密的隐含向量；
步骤三，将嵌入层的用户隐含向量和物品向量通过外积得到语意丰富的用户-物品交互关系图；
步骤四，采用ResNet50深度残差网络进行潜在特征深度提取；
步骤五，利用输出层进行用户所需商品预测。


3.如权利要求2所述基于深度神经网络的商品推荐方法，其特征在于，步骤三中，所述外积公式如下：



其中，pu是用户u对物品i有过行为的用户集合，qi是物品i中可能存在用户u的感兴趣的物品集合。


4.如权利要求2所述基于深度神经网络的商品推荐方法，其特征在于，步骤四中，所述ResNet50深度残差网络由conv1、conv2_x、conv3_x、conv4_x和conv5_x五个部分组成，每个部分的层数分别是2层、3*3层、3*4层、3*6层和3*3层；每个部分都由捷径结构图组成，每层是卷积层。


5.如权利要求2所述基于深度神经网络的商品推荐方法，其特征在于，步骤五中，所述利用输出层进行用户所需商品预测包括：
将采用全连接层与残差...

【专利技术属性】
技术研发人员：朱莉，金涛，武明虎，吴敏，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42