一种融合深度矩阵分解和多特征交叉的内容资源推荐方法、装置及介质制造方法及图纸

一种融合深度矩阵分解和多特征交叉的内容资源推荐方法，包括以下步骤：1)构建交互矩阵Y

【技术实现步骤摘要】
一种融合深度矩阵分解和多特征交叉的内容资源推荐方法、装置及介质


[0001]本专利技术涉及信息交互领域，具体涉及一种融合深度矩阵分解和多特征交叉的内容资源推荐方法、装置及介质。

技术介绍

[0002]伴随信息技术的发展和应用，我国进入互联网和大数据时代，互联网娱乐产业也随之高速发展，深刻改变了人们的日常生活。影视、音乐、图书等内容资源作为现代娱乐的重要组成元素，近年来，相关产业发展迅猛，行业兴旺繁荣，但是随着时间的推移，各类资源层出不穷，数量繁多，导致人们难以从这些海量的资源中做出选择，快速找到自己感兴趣的内容。比如在电影领域，自互联网被广泛应用之后，电影作品的传播成本降低，电影进入越来越多人的生活，各类电影作品被源源不断地创作出来，与电影相关的产业也因此产生了巨大的社会、经济价值，但是与此同时，由于人们不可能知道所有已发行的电影，更不可能花费巨量的时间和精力在海量的电影资源中独立寻找自己感兴趣的电影，导致了人们在挑选电影时往往会感到为难。因此，如何让人们在面对内容资源信息过载的问题时，仍然能够快速、精准地找到心仪的内容成为了推荐系统领域的研究热点。
[0003]在推荐系统中，协同过滤算法是应用最广泛、影响最深远的算法，它分为基于用户的协同过滤和基于物品的协同过滤，原理是通过计算用户或物品的相似度做推荐。基于用户的协同过滤计算与目标用户相似度高的其他用户，然后给目标用户推荐这些用户喜欢的，但是目标用户没有接触过的物品。基于物品的协同过滤计算与目标用户喜欢的物品相似度高的物品，然后将这些物品推荐给目标用户。r/>[0004]由于传统的协同过滤算法存在无法很好地处理稀疏矩阵的问题，所以学者和专家在其之后提出了基于协同过滤的矩阵分解算法。矩阵分解算法为用户和物品生成隐向量表示，然后将这些隐向量表示映射到同一个隐藏空间中，并在这个空间中建模用户和物品之间的关系。
[0005]近年来，随着深度学习技术的发展，其能够拟合任意函数的能力受到广泛关注，它被广泛应用在计算机视觉和自然语言处理领域，并取得了很好的效果。在推荐系统上，业界也提出了将深度学习应用在矩阵分解上的推荐模型——神经协同过滤模型(Neural Collaborative Filtering，简称NCF)。NCF使用多层非线性网络处理用户和物品的交互矩阵，通过引入的多层非线性变换捕捉用户和物品间的非线性关系，从而提高矩阵分解算法的推荐效果。
[0006]矩阵分解算法和神经协同过滤模型也存在缺陷：
[0007]1)矩阵分解算法的缺陷
[0008]1.1)矩阵分解算法只关注显式评分，也就是用户明确对物品的打分，但是在实际中，用户其实只与少数物品交互过，与其它占大部分的物品没有交互过，而这些没有交互的隐式反馈信息也很重要。
[0009]1.2)矩阵分解算法实质上是使用用户隐向量和物品隐向量的内积来描述用户和物品之间的关系，而内积是线性的，不能充分描述它们之间的复杂关系。
[0010]1.3)矩阵分解算法只考虑了用户和物品间的交互信息(评分矩阵)，没有考虑用户和物品的属性信息，但是在推荐系统中，用户和物品的属性信息十分重要。
[0011]2)神经协同过滤模型的缺陷
[0012]2.1)神经协同过滤模型只关注隐式反馈，忽略了非常有用的显式评分，而在推荐系统中，将一个高评分和低评分同等看待显然是不合理的，评分的高低可以看出用户对物品的喜好程度。
[0013]2.2)与矩阵分解算法相同，神经协同过滤模型只考虑了用户物品间的交互信息，没有用到用户和物品的属性信息。

技术实现思路

[0014]本专利技术的目的是提供一种融合深度矩阵分解和多特征交叉的内容资源推荐方法，包括以下步骤：
[0015]1)获取若干用户对若干物品的显式评分，并构建交互矩阵Y
ij
。
[0016]2)构建交互矩阵深度分解模块，将交互矩阵Y
ij
输入到交互矩阵深度分解模块中，获得映射结果DNN。
[0017]3)根据用户属性和物品属性建立独热向量y和数值型特征向量X
feature
。
[0018]4)构建多特征交叉模块，将独热向量y和数值型特征向量X
feature
输入到多特征交叉模块中，获得组合结果Cross。
[0019]5)构建点击率预测模块，将映射结果DNN和组合结果Cross输入到点击率预测模块中进行点击行为概率预测，获得内容资源推荐方案。
[0020]进一步，所述交互矩阵Y
ij
如下所示：
[0021][0022]式中，R
ij
表示用户i对物品j的显式评分。
[0023]进一步，所述交互矩阵深度分解模块包括深度神经网络Ip
i
和深度神经网络IIq
j
。
[0024]所述深度神经网络均包括输入层、N
‑
1层隐藏层和输出层。
[0025]进一步，所述获得映射结果DNN的方法，包括以下步骤：
[0026]1)根据交互矩阵Y
ij
，将用户i的所有评分用一个高维向量Y
i*
表示。物品j的所有得分用一个高维向量Y
*j
表示。
[0027]Y
i*
和Y
*j
分别对应交互矩阵Y
ij
的第i行和第j列的数据，如下所示：
[0028]Y
i*
＝Y(i)
ꢀꢀꢀꢀꢀꢀ
(2)
[0029]Y
*j
＝Y
T
(j)
ꢀꢀꢀꢀꢀꢀ
(3)。
[0030]2)将高维向量Y
i*
作为深度神经网络Ip
i
的输入，高维向量Y
*j
作为深度神经网络IIq
j
的输入。
[0031]3)计算第一层隐藏层l1，计算公式如下所示：
[0032]l1＝W1x
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0033]式中，W1表示第1层的权重矩阵。当深度神经网络是深度神经网络Ip
i
时，x为高维向量Y
i*
。当深度神经网络是深度神经网络IIq
j
时，x为高维向量Y
*j
。
[0034]4)计算第i层隐藏层l
i
，计算公式如下所示：
[0035]l
i
＝f(W
i
‑1l
i
‑1+b
i
),i＝2,
…
,N
‑1ꢀꢀꢀꢀꢀ
(5)
[0036]式中，W
i
表示第i层的权重矩阵，b
i
表示第i层的偏置项，函数f使用ReLU函数，计算如下所示：
[0037]f(x)＝max(0,x)<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合深度矩阵分解和多特征交叉的内容资源推荐方法，其特征在于，包括以下步骤：1)获取若干用户对若干物品的显式评分，并构建交互矩阵Y
ij
；2)构建交互矩阵深度分解模块，将交互矩阵Y
ij
输入到交互矩阵深度分解模块中，获得映射结果DNN；3)根据用户属性和物品属性建立独热向量y和数值型特征向量X
feature
；4)构建多特征交叉模块，将独热向量y和数值型特征向量X
feature
输入到多特征交叉模块中，获得组合结果Cross；5)构建点击率预测模块，将映射结果DNN和组合结果Cross输入到点击率预测模块中进行点击行为概率预测，获得内容资源推荐方案。2.根据权利要求1所述的一种融合深度矩阵分解和多特征交叉的内容资源推荐方法，其特征在于，所述交互矩阵Y
ij
如下所示：式中，R
ij
表示用户i对物品j的显式评分。3.根据权利要求1所述的一种融合深度矩阵分解和多特征交叉的内容资源推荐方法，其特征在于，所述交互矩阵深度分解模块包括深度神经网络Ip
i
和深度神经网络IIq
j
。所述深度神经网络均包括输入层、N
‑
1层隐藏层和输出层。4.根据权利要求1所述的一种融合深度矩阵分解和多特征交叉的内容资源推荐方法，其特征在于，所述获得映射结果DNN的方法，包括以下步骤：1)根据交互矩阵Y
ij
，将用户i的所有评分用一个高维向量Y
i*
表示；物品j的所有得分用一个高维向量Y
*j
表示；Y
i*
和Y
*j
分别对应交互矩阵Y
ij
的第i行和第j列的数据，如下所示：Y
*j
＝Y
T
(j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)；2)将高维向量Y
i*
作为深度神经网络Ip
i
的输入，高维向量Y
*j
作为深度神经网络IIq
j
的输入；3)计算第一层隐藏层l1，计算公式如下所示：l1＝W1x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，W1表示第1层的权重矩阵；当深度神经网络是深度神经网络Ip
i
时，x为高维向量Y
i*
；当深度神经网络是深度神经网络IIq
j
时，x为高维向量Y
*j
；4)计算第i层隐藏层l
i
，计算公式如下所示：l
i
＝f(W
i
‑1l
i
‑1+b
i
),i＝2,
…
,N
‑1ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中，W
i
表示第i层的权重矩阵，b
i
表示第i层的偏置项，函数f使用ReLU函数，计算如下所示：f(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；5)根据隐藏层l
N
‑1，计算终值隐藏h
N
，计算公式如下所示：h
N
＝f(W
N
l
N
‑1+b
N
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)；
6)根据公式(4)
‑
(7)，计算得到深度神经网络Ip
i
的输出p
i
和深度神经网络IIq
j
的输出q
j
，即：，即：式中，W
Um
和W
Vm
表示第m层的参数；f
θ
为ReLU激活函数；为ReLU激活函数；表示深度神经网络Ip
i
和深度神经网络IIq
j
用到的激活函数；下标U、I是用来区分深度神经网络Ip
i
和深度神经网络IIq
j
激活函数的符号；7)所述映射结果DNN为深度神经网络...

【专利技术属性】
技术研发人员：谭立志，文俊浩，周魏，杨正益，
申请(专利权)人：重庆大学，
类型：发明
国别省市：