【技术实现步骤摘要】
基于动态深度多任务的缓解用户冷启动化妆品的推荐方法
[0001]本专利技术涉及一种基于动态深度多任务的缓解用户冷启动化妆品的推荐方法，属于商品推荐
技术介绍
[0002]深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像以及声音等数据。
[0003]卷积神经网络CNN(Convolutional Neural Network)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，可以应用于语音识别、图像处理和图像识别等领域。CNN模型限制参数了个数并挖掘了局部结构。主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。局部感受视野，权值共享以及时间或空间亚采样这三种思想结合起来，获得了某种程度的位移、尺度、形变不变性。通过“卷积核”作为中介。同一个卷积核在所有图像内是...
【技术保护点】
【技术特征摘要】
1.一种基于动态深度多任务的缓解用户冷启动化妆品的推荐方法，其特征在于，所述推荐方法主要包括：步骤1，动态深度多任务模型中设有静态特征网络和动态特征网络，分别训练大众用户的静态信息和动态信息，输出局部特征，并进行联合输出全局特征；步骤2：用户进入动态深度多任务模型的静态特征网络；步骤3：输出与用户相似的用户列表，以此为用户推荐合适的化妆品。2.根据权利要求1所述的推荐方法，其特征在于，所述步骤1具体包括：步骤11，获取用户的注册信息，包括年龄、性别、地域，通过用户填写调查问卷，获取用户的调查信息，包括肤质、过敏源、具体需求；步骤12，采用滑动时间窗口策略来发现以上信息，并计算出用户的短期兴趣；步骤13，设置长期兴趣影响属性；步骤14，动态获取步骤13的长期兴趣影响属性，设置对应的权重，计算得出用户的长期兴趣；其中兴趣转移/遗忘程度O是以步骤12中的短期兴趣概率前N个作为形成基础；步骤15，步骤12形成的用户短期兴趣进入静态特征网络的输入层，步骤14形成的用户长期兴趣进入动态特征网络的输入层，输入层将用户短期兴趣/长期兴趣表示为单词嵌入矩阵，以捕获审查文本中的语义信息；步骤16，进入CM层，CM层为卷积层和最大池化层的组合，卷积层将特征提取出来，得到特征提取信息，经过卷积层提取到的特征提取信息会带有冗余信息，最大池化层用来去除冗余信息，保留最基本最重要的信息，其中最大池化层是寻找每一个小区域的最大值，即最大值就是其明显的特征，是最基本最重要的信息，其余的为不重要信息，将其舍弃，以减小特征图的尺寸；步骤17，进入BN层，BN为批标准化，在步骤16中对特征进行提取的过程中，运用BN以减少梯度的损失；步骤18，重复步骤16和步骤17；步骤19，重复步骤16，静态特征网络输出静态局部特征，动态特征网络输出动态局部特征；步骤110，将静态局部特征和动态局部特征进行结合，获得多任务全局特征；步骤111，将多任务全局特征输入全连接层，以将前期所提取的各种局部特征综合起来；步骤112，输出层输出。3.根据权利要求2所述的推荐方法，其特征在于，步骤13中长期兴趣的影响属性包括：时间变化、民族差...
【专利技术属性】
技术研发人员：赵学健，双乐珊，孙哲，孙知信，胡冰，宫婧，汪胡青，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
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。