买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东师范大学

摘要：本发明公开了一种基于规则学习网络的商品推荐方法，包括：选取推荐数据集，并对推荐数据集中的特征进行预处理；将预处理完成的特征进行分组，分别输入三个规则模型塔中进行学习；每个规则模型塔分别输出学习到的规则向量后，在网络上层对三个规则模型塔输出的规则向量进行拼接；将用户和物品id做嵌入后拼接，输入具有一个隐层的神经网络，将这个神经网络的输出作为拼接规则向量的权重，相乘后得到预测的点击概率，最终得到用户对该商品的预测评分和推荐理由。本发明解决了原本在规则学习网络中无法使用embedding的问题，在完成对用户推荐物品的同时还给出推荐理由，在模型层面具有可解释性，解决了推荐领域中深度神经网络的黑盒问题。

主权项：1.一种基于规则学习网络的商品推荐方法，其特征在于，所述方法包括如下步骤：步骤一、选取推荐数据集，并对所述推荐数据集中的特征数据进行预处理；步骤二、将预处理完成的特征进行分组，分别输入三个规则模型塔中进行学习，所述三个规则模型塔分别输入：用户侧特征、物品侧特征以及用户侧特征加物品侧特征；步骤二中，每个规则模型塔都有若干个规则层，每个规则层有“逻辑与”和“逻辑或”节点分别学习与、或规则；所述用户侧特征用于学习用户特征交互，所述物品侧用于学习物品特征交互，所述用户侧特征加物品侧特征用于学习用户和物品特征间的交互；所述规则的学习方法如下：1输入为N*1向量，其中N为对连续特征离散化，离散特征one-hot化后的拼接长度；2在前向传播时，通过下述公式计算与节点和或节点的值：与节点激活函数： 或节点激活函数： 其中，h表示当前层的所有节点，Wt为当前层的权重，hj为当前层网络的第j个节点值，Wtj为hj对应的边权，J为总节点数量，Fch,w＝1-w1-h，Fdh,w＝h·w；步骤三、每个规则模型塔分别输出学习到的规则向量后，在网络上层对三个规则模型塔输出的规则向量进行拼接；步骤三中，所述拼接形成的新的向量输入下一层规则层学习三个规则模型塔输出规则间的交互；步骤四、将用户和物品id做嵌入后拼接，输入具有一个隐层的神经网络，将这个神经网络的输出作为拼接规则向量的权重，所述规则向量权重与拼接规则向量相乘后得到预测的点击概率，迭代训练，最终得到系统对用户对物品的点击概率预测和推荐理由；步骤四中，将用户和物品id做嵌入后拼接得到的新向量输入包含一个隐层的两层神经网络中，得到的输出作为规则向量的权重： 其中，eu为用户的嵌入，ei为物品id的嵌入，和分别表示全连接层第一层和第二层的权重，ReLU和tanh是激活函数；所述规则向量权重与拼接规则向量相乘后得到预测的点击概率为： 其中，oui为规则层输出向量，为规则层输出向量的权重，为最终的预测点击概率。

全文数据：

权利要求：

百度查询： 华东师范大学 一种基于规则学习网络的商品推荐方法及推荐系统