【技术实现步骤摘要】
一种基于矩阵分解和CRNN的上下文感知推荐系统和方法
[0001]本专利技术属于矩阵分解推荐算法研究领域，具体涉及利用卷积循环神经网络和Bi
‑
LSTM以及矩阵分解的推荐方法和系统。
技术介绍
[0002]互联网和信息计算的快速发展，衍生了海量的数据造成了数据过载，使人们必须花费大量的时间精力，来选择自己喜欢的资源。然而这些信息并不全是个人所关心的，用户从大量的信息中寻找对自己有用的信息也变得越来越困难。信息的生产方也在绞尽脑汁的把用户感兴趣的信息送到用户面前，如何通过已有信息向用户推荐资源是一项具有挑战性的问题，而推荐系统则提供了一个有效的解决方案。
[0003]由于数据稀疏和冷启动问题，提出用辅组信息来增加推荐预测的准确性，例如利用评论、摘要、简介等文本数据。然而由于传统词袋模型固有的局限性，忽略了文本的语法语序问题，导致每句话的矩阵是稀疏的且没有考虑词与词之间的顺序和联系，很难有效的利用文本信息。
[0004]因此，本文提出了一种新的基于矩阵分解和卷积循环神经网络的上下文感知推荐系统和...
【技术保护点】
【技术特征摘要】
1.一种基于矩阵分解和CRNN的上下文感知推荐方法，其特征在于，包括以下步骤：步骤1:利用卷积循环神经网络提取辅助信息，即包括摘要、用户评论、概述在内的的潜在特征，生成项目潜在特征向量表示项目特征；对文本进行分词和去停用词处理并利用用户评分数据转化为用户
‑
项目评分矩阵；用户
‑
项目评分矩阵反应用户兴趣偏好；步骤2:利用概率矩阵分解模型，将用户偏好矩阵建模为用户矩阵和项目矩阵的乘积；步骤3:使用提取的项目潜在特征向量和矩阵分解中对应的项目矩阵中的项目潜在特征向量结合，不断优化得到用户偏好相似矩阵；步骤4:利用训练模型预测用户对未评分项目进行评分，使用Top
‑
N排序生成推荐项目。2.根据权利要求1所述的一种基于矩阵分解和CRNN的上下文感知推荐方法，其特征在于，所述步骤1利用卷积循环神经网络提取辅助信息的潜在特征，生成项目潜在特征向量；对文本进行分词和去停用词处理并利用用户评分数据转化为用户
‑
项目评分矩阵；具体为：Step1.1:神经网络的嵌入层将原始文档转化为稠密的数字矩阵，通过Word2Vec将文档表示为一个矩阵，文档矩阵D∈R
p
×
l
表示为其中l是文档长度，p为每个单词w
i
嵌入维度的大小；R表示矩阵中的数均为实数；Step1.2卷积层分析文档，提取文本特征通过第J个共享权重提取，其中窗口大小ws决定了周围单词的数量；其中*表示卷积运算，D
(:,i:(i+ws
‑
1))
表示文档矩阵中第i个单词到第i+ws
‑
1所对应的特征矩阵，为的偏置，f表示一个非线性激活函数，得到带有的文档的卷积特征向量c
j
∈R
l
‑
ws+1
,可表示如下：Step1.3使用多个共享权重来捕获多种类型的上下文特征，从而生成n
c
个文本特征向量，在中，j＝1,2,
…
,n
c
；然后通过池化操作构造固定长度的向量来处理可变长度的文档，使用max
‑
pooling的操作将文档表示固定长度的特征向量序列，表示如下：Step1.4从卷积层提取出的特征向量序列作为递归层即双层Bi
‑
LSTM的输入来捕获序列上下文信息，最终返回每个为文档的潜在向量作为输出；s
j
＝crnn(W,X
j
)
ꢀꢀ
(4)其中W表示所有的权重和偏置变量，X
j
代表项目j的原始描述文档，s
j
代表项目j的潜在向量。3.根据权利要求2所述的一种基于矩阵分解和CRNN的上下文感知推荐方法，其特征在于，所述步骤2利用概率举证分解模型，将用户偏好矩阵建模为用户矩阵和项目矩阵的乘
积，具体为：Step2.1假设有N个用户和M个项目，用户
‑
项目评分矩阵R∈R
N
×
M
分解为两个低维矩阵分别为用户潜在矩阵U和项目潜在矩阵V均服从一个均值为0的高斯先验,寻找用户潜在矩阵U和项目潜在矩阵V使其U
T
V重构近似矩阵服从高斯噪声的正太分布，即：因此观测的评分矩阵条件概率为：其中I
ij
是指示函数，表示如果用户i对物品j有过评分其值为1，否则为0；δ2表示正太分布的...
【专利技术属性】
技术研发人员：解绍词，范欢欢，姬志明，廖勇杰，曹可瑞，
申请(专利权)人：重庆邮电大学，
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。