一种基于GRU网络的个性化实时推荐方法技术

本发明专利技术公开了一种基于GRU网络的个性化实时推荐方法，通过改进的双向循环深度神经网络GRU算法，根据打点的用户行为数据，根据时间顺序建立时间序列数据特征来构建GRU神经网络，解决了传统推荐算法人工提取特征、数据特征稀疏高维，分布不均等问题。通过一个实时计算行为数据模块，得到现有的行为进行推荐的一个结果，综合算法离线计算的结果，实时得出推荐结果，解决了传统推荐模型实时推荐效果不明显的情况。情况。情况。

【技术实现步骤摘要】
一种基于GRU网络的个性化实时推荐方法


[0001]本专利技术涉及人工智能领域，特别涉及一种基于GRU网络的个性化实时推荐方法。

技术介绍

[0002]传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐方法。其中，最经典的算法是协同过滤，如矩阵因子分解，其利用用户与项目直接的交互信息位用户产生推荐，协同过滤是目前应用最为广泛的推荐算法。
[0003]协同过滤算法就是协同大家的反馈、评价和意见一起对海量的信息进行过滤，从中筛选出目标客户可能感兴趣的信息的推荐过程。
[0004]基于内容的推荐方法是基于物品相识度，用户特征属性和item的特征之间的匹配程度来做推荐，推荐效果强依赖于特征工程的好坏。
[0005]混合推荐算法分为两大类:松耦合混合推荐和紧耦合混合推荐。松耦合混合推荐就是将用户或item的属性信息作为辅助信息来为协同过滤提供特征，整个过程是单向的，协同过滤中的用户互动矩阵并没有反馈来促进辅助信息中特征的提取。
[0006]紧耦合混合推荐是双向的，协同过滤中的用户互动矩阵信息来引导辅助信息的特征提取过程，而提取的特征再来提高协同过滤方法的性能。
[0007]协同过滤推荐算法有着严重的数据稀疏(一个用户有过行为的项目仅仅占总项目数量的极少部分)和冷启动(新的用户和新的项目往往没有行为数据)问题。
[0008]另外协同过滤算法采用的浅层模型无法学习到用户和项目的深层次特征。基于内容的推荐方法利用已有的行为来进行类似属性的项目推荐，这种方法需要特征的有效提取，传统的模型依赖于人工设计特征，其有效性及可扩展性非常有限，制约了基于内容的推荐方法的性能。
[0009]随着互联网中越来越多的数据能够被感知获取，包括非结构化数据图像，文本等多源异构的包含大量用户行为数据数据，混合推荐方法很难去处理这些分布不均、大规模、稀疏数据。传统的推荐算法均是离线训练，不能实时进行推荐。
[0010]因此，现在需要一种基于GRU网络的个性化实时推荐方法来解决上述问题。

技术实现思路

[0011]有鉴于此，本专利技术的第一方面目的是提供一种基于GRU网络的个性化实时推荐方法。解决了传统推荐模型实时推荐效果不明显的情况。
[0012]本专利技术的第一方面的目的是通过以下技术方案实现的：
[0013]一种基于GRU网络的个性化实时推荐方法，包括：
[0014]步骤S1:根据用户历史行为数据形成用户历史行为物品序列，利用双向GRU模型将推荐问题转换为序列预测问题，输入用户最近一次行为之前的历史K个物品序列；
[0015]步骤S2：构建多层GRU神经网络以最大化用户最近一次行为物品概率为目标进行模型训练；
[0016]步骤S3：获取用户对物品的历史行为，建立用户行为数据库，根据行为时间序列构建特征数据集；
[0017]步骤S4：对有行为的特征数据集构建K个神经元的双向GRU神经网络模型1，用步骤S1的大部分数据作为训练集，剩下的作为测试集，该模型用于已有行为用户的推荐行为的预测；对没有行为用户，用有行为的用户特征和商品构建用户
‑
商品预测模型2；
[0018]步骤S5：构建用户行为数据计算模块，用户行为数据计算模块主要针对用户最近一次发生行为的商品量化其对该商品的喜好程度。
[0019]步骤S6：将GRU神经网络模型1和GRU神经网络模型2的结果进行整合合并，最后与实时行为计算模块结合，得到最后的推荐结果。
[0020]进一步，所述步骤S3中，对于没有行为的用户及商品，先通过用户自有属性特征及商品本身特征，构建GRU神经网络预测模型，该用户有购买行为作为该模型的label进行训练。
[0021]进一步，对于没有行为的用户和商品只需要输入自有特征属性，就能得到相关推荐结果。
[0022]进一步，步骤S2中，通过改进的双向循环深度神经网络GRU算法，根据打点的用户行为数据，根据时间顺序建立时间序列数据特征来构建GRU神经网络。
[0023]进一步，通过用户行为数据计算模块，得到现有的行为进行推荐的结果，综合算法离线计算的结果，实时得出推荐结果。
[0024]进一步，所述步骤S5中，用户实时偏好评分量化包括用户点击次数、浏览时长、收藏行为因素；
[0025]用户点击次数：如果用户对该商品进行多次反复点击，则该因素得分越高；
[0026]用户浏览时长：如果用户对商品的浏览时长越长，则该因素得分越高；
[0027]用户是否收藏：如果用户对该商品有收藏行为，则该元素得分越高；
[0028]根据上述三个要素，实时偏好得分＝因素权重*因素的得分。
[0029]本专利技术的第二方面的目的是提供一种电子设备，包括存储器、处理器及存储在储存器上并柯可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如前所述基于GRU网络的个性化实时推荐方法的步骤。
[0030]本专利技术的第三方面的目的是提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理执行时实现如前所述基于GRU网络的个性化实时推荐方法的步骤。
[0031]本专利技术的有益效果是：
[0032]本专利技术通过改进的双向循环深度神经网络GRU算法，根据打点的用户行为数据，根据时间顺序建立时间序列数据特征来构建GRU神经网络，解决了传统推荐算法人工提取特征、数据特征稀疏高维，分布不均等问题，同时通过一个实时计算行为数据模块，得到现有的行为进行推荐的一个结果，综合算法离线计算的结果，实时得出推荐结果，解决了传统推荐模型实时推荐效果不明显的情况。
[0033]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书和前述的
权利要求书来实现和获得。
附图说明
[0034]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：
[0035]图1为本专利技术的推荐方法流程框图；
[0036]图2为双向GRU网络神经单元示意图。
具体实施方式
[0037]以下将参照附图，对本专利技术的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本专利技术，而不是为了限制本专利技术的保护范围。
[0038]本专利技术提供了一种基于GRU网络的个性化实时推荐方法，包括：
[0039]根据用户历史行为数据形成用户历史行为物品序列，利用GRU模型将推荐问题转换为序列预测问题，输入用户最近一次行为之前的历史K个物品序列。
[0040]构建多层GRU神经网络以最大化用户最近一次行为物品概率为目标进行模型训练(如用户观看历史为v1,v2,v3,当模型输入为v1,v2时，目标则是最大化视频v3的概率)，并利用训练得到的模型进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GRU网络的个性化实时推荐方法，其特征在于：包括：步骤S1:根据用户历史行为数据形成用户历史行为物品序列，利用双向GRU模型将推荐问题转换为序列预测问题，输入用户最近一次行为之前的历史K个物品序列；步骤S2：构建多层GRU神经网络以最大化用户最近一次行为物品概率为目标进行模型训练；步骤S3：获取用户对物品的历史行为，建立用户行为数据库，根据行为时间序列构建特征数据集；步骤S4：对有行为的特征数据集构建K个神经元的双向GRU神经网络模型1，用步骤S1的大部分数据作为训练集，剩下的作为测试集，该模型用于已有行为用户的推荐行为的预测；对没有行为用户，用有行为的用户特征和商品构建用户
‑
商品预测模型2；步骤S5：构建用户行为数据计算模块，用户行为数据计算模块主要针对用户最近一次发生行为的商品量化其对该商品的喜好程度。步骤S6：将GRU神经网络模型1和GRU神经网络模型2的结果进行整合合并，最后与实时行为计算模块结合，得到最后的推荐结果。2.根据权利要求1所述的一种基于GRU网络的个性化实时推荐方法，其特征在于：所述步骤S3中，对于没有行为的用户及商品，先通过用户自有属性特征及商品本身特征，构建GRU神经网络预测模型，该用户有购买行为作为该模型的label进行训练。3.根据权利要求2所述的一种基于GRU网络的个性化实时推荐方法，其特征在于：对于没有行为的...

【专利技术属性】
技术研发人员：黄莉雅，李然，倪凡，纪元，欧阳静，冯光璐，舒彧，曾路，杨耀，吴漾，雷光裕，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：