一种基于双重一致性自集成学习的个性化推荐方法技术

本发明专利技术涉及一种基于双重一致性自集成学习的个性化推荐方法，该方法包括：构建并训练双重一致性平均教师模型，包括学生子网络模块和教师子网络模块，所述的学生子网络模块和教师子网络模块输入参观者属性数据矩阵并输出文物种类的推荐权值矩阵，训练过程中通过双重一致性损失函数、教师子网络交叉熵损失函数、学生子网络交叉熵损失函数对所述的学生子网络模块和教师子网络模块进行优化；获取参观者属性数据矩阵输入至训练好的双重一致性平均教师模型，获取文物种类的推荐权值，按推荐权值由大到小依次推荐。与现有技术相比，本发明专利技术提升了网络的个性化推荐能力，同时节省了计算成本。成本。成本。

【技术实现步骤摘要】
一种基于双重一致性自集成学习的个性化推荐方法


[0001]本专利技术涉及一种个性化推荐方法，尤其是涉及一种基于双重一致性自集成学习的个性化推荐方法。

技术介绍

[0002]博物馆是促进文化传播、推动文明传承的重要载体。随着人工智能、云计算、虚拟现实、大数据等新技术的飞速发展，建设具备数字化管理、个性化服务、智能化推广的智慧博物馆已成为文博界与学术界的紧迫任务，尤其是面向博物馆参观者的个性化推荐算法的研究成为亟需解决的问题。
[0003]目前常见的推荐算法可分为基于内容的推荐算法、协同过滤推荐算法、混合推荐算法。基于内容的推荐算法指根据参观者的历史参观记录推荐在内容上相似的文物展品；协同过滤推荐算法指对参观者推荐与之相似的参观者群体所感兴趣的文物；混合推荐算法则是指以加权、并联等方式融合上述两种方法。因为基于内容的推荐算法更关注文物的相似度，在博物馆推荐场景中获得广泛应用。随着深度学习的迅速发展，基于深度神经网络的个性化推荐算法表现出较好的推荐能力，但复杂的网络结构带来了高额的计算成本，难以适应博物馆的实际应用需求。因此，需要提出一种高推本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重一致性自集成学习的个性化推荐方法，其特征在于，该方法包括：构建并训练双重一致性平均教师模型，包括学生子网络模块和教师子网络模块，所述的学生子网络模块和教师子网络模块输入参观者属性数据矩阵并输出文物种类的推荐权值矩阵，训练过程中通过双重一致性损失函数、教师子网络交叉熵损失函数、学生子网络交叉熵损失函数对所述的学生子网络模块和教师子网络模块进行优化；获取参观者属性数据矩阵输入至训练好的双重一致性平均教师模型，获取文物种类的推荐权值，按推荐权值由大到小依次推荐。2.根据权利要求1所述的一种基于双重一致性自集成学习的个性化推荐方法，其特征在于，所述的参观者属性数据矩阵通过对参观者属性数据进行数据处理得到，所述的数据处理包括将字符串数据转换为网络可用的张量数据。3.根据权利要求2所述的一种基于双重一致性自集成学习的个性化推荐方法，其特征在于，所述的参观者属性数据包括参观者的随行人员关系、职业、年龄、性别、学历信息。4.根据权利要求1所述的一种基于双重一致性自集成学习的个性化推荐方法，其特征在于，所述的学生子网络模块包括4组全连接层、ReLU激活层。5.根据权利要求1所述的一种基于双重一致性自集成学习的个性化推荐方法，其特征在于，所述的教师子网络模块包括7组全连接层、ReLU激活层。6.根据权利要求1所述的一种基于双重一致性自集成学习的个性化推荐方法，其特征在于，所述的教师子网...

【专利技术属性】
技术研发人员：李璐颖，郭绍华，冯正阳，马利庄，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：