一種基于GRU神經網絡的推薦方法和系統與流程

技術特征：

1.一種基于GRU神經網絡的推薦方法，其特征在于，所述基于GRU神經網絡的推薦方法包括以下步驟：

S1、收集用戶對物品的歷史行為，并建立GRU神經網絡；

S2、按照行為發生時間對每一個用戶記錄的歷史行為進行先后排序；并針對每一個用戶生成相應的訓練樣本；

S3、根據訓練樣本對GRU神經網絡進行訓練，確定GRU神經網絡中的權重矩陣；

S4、根據訓練后的GRU神經網絡為每一個用戶生成推薦列表。

2.根據權利要求1所述基于GRU神經網絡的推薦方法，其特征在于，

所述GRU神經網絡包括輸入層、隱藏層以及輸出層，其中，所述輸入層的輸入包括用戶信息u(t)、用戶t時刻的行為信息a(t)以及用戶時刻行為t的目標物品信息v(t)，所述隱藏層的輸出包括t時刻隱藏層的輸出s(t)、t-1時刻隱藏層的輸出s(t-1)以及t時刻替代隱藏層g，所述輸出層的輸出包括t時刻輸出層的輸出o(t)。

3.根據權利要求2所述基于GRU神經網絡的推薦方法，其特征在于，所述GRU神經網絡還包括重置門r和更新門z，所述重置門r的輸出的計算方法如下：

r＝σ(Q^ru(t)+W^ra(t)+V^rv(t)+X^rs(t-1))

其中，Q^r,V^r,W^r,X^r分別表示輸入層u(t)、a(t)、v(t)、s(t-1)連接到隱藏層重置門r的權重矩陣；σ是sigmoid函數,σ(x)＝1/(1+e^-x)；

所述更新門z的輸出的計算方法如下：

z＝σ(Q^zu(t)+W^za(t)+V^zv(t)+X^zs(t-1))

其中，Q^z,V^z,W^z,X^z分別表示輸入層u(t)、a(t)、v(t)、s(t-1)連接到隱藏層更新門z的權重矩陣。

4.根據權利要求3所述基于GRU神經網絡的推薦方法，其特征在于，所述替代隱藏層g的輸出計算方法為：

其中，Q,V,W,X分別表示輸入層u(t)、a(t)、v(t)、s(t-1)連接到替代隱藏層g的權重矩陣。

5.根據權利要求4所述基于GRU神經網絡的推薦方法，其特征在于，隱藏層的輸出s(t)，其計算方法為：

其中，表示按對應元素相乘。

6.根據權利要求5所述基于GRU神經網絡的推薦方法，其特征在于，輸出層的輸出o(t)的計算方法為：

o(t)＝softmax(Ys(t))

其中，Y是隱藏層連接到輸出層的權重矩陣，softmax函數定義為：

7.根據權利要求6所述基于GRU神經網絡的推薦方法，其特征在于，所述步驟S3包括以下分步驟：

S31、隨機生成權重矩陣；

S32、檢查收斂條件，即檢查迭代次數是否達到上限；或目標函數的值是否不再減小；如果不滿足收斂條件，則進行步驟S33；反之則確定了GRU神經網絡中的權重矩陣,進行步驟S4；

S33、根據每一個用戶的訓練樣本對GRU神經網絡進行訓練，更新GRU神經網絡中的權重矩陣。

8.根據權利要求7所述基于GRU神經網絡的推薦方法，其特征在于，所述目標函數為其中，t_i是第t時刻的訓練樣本中的物品編號，迭代次數上限為K≤100。

9.根據權利要求8所述基于GRU神經網絡的推薦方法，其特征在于，所述步驟S33包括以下分步驟：

S331、計算目標函數相對于權重矩陣的梯度；

S332、更新所有權重矩陣。

10.一種基于GRU神經網絡的推薦系統，其特征在于，所述基于GRU神經網絡的推薦系統包括以下功能模塊：

用戶行為收集模塊，用于收集用戶對物品的歷史行為，并建立GRU神經網絡；

訓練樣本生成模塊，用于按照行為發生時間對每一個用戶記錄的歷史行為進行先后排序；并針對每一個用戶生成相應的訓練樣本；

權重矩陣確定模塊，用于根據訓練樣本對GRU神經網絡進行訓練，確定GRU神經網絡中的權重矩陣；

推薦列表生成模塊，用于根據訓練后的GRU神經網絡為每一個用戶生成推薦列表。