一种基于模糊优选神经网络的个性化信息推荐方法与流程

本发明涉及信息推荐领域，更具体地，涉及一种基于模糊优选神经网络的个性化信息推荐方法。
背景技术：
：随着信息技术与先进制造技术的高速发展，我国智能装备的发展深度和广度日益提升，与智能装备相关的咨询、技术等内容信息大幅增长，种类繁多，质量良莠不齐，呈现信息过载现象。面对繁多的内容信息，如何提高优质信息的利用价值，降低读者寻找合适信息的成本，设计一个个性化信息推荐系统就显得尤为重要。目前，常见的信息推荐算法有基于内容的推荐、协同过滤推荐、基于管理规则推荐等。其中，基于内容的推荐算法应用广泛，它是通过用户的历史行为构建用户的特征模型，推荐与该用户特征模型相似的内容信息。基于内容的推荐算法的有关文献大多数是从概念上说明该推荐算法的原理，很少有建立用户特征的量化指标，并进行实例说明；在建立用户特征模型时考虑的要素维度低，不能顾全整体；同时对于筛选出来的推荐内容，无法形成一个优先推送量化指标，进行内容推送优先级别排序。技术实现要素：本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于模糊优选神经网络的个性化信息推荐方法，应用于智能装备公共服务平台上内容信息个性化推荐问题上，给出内容信息推荐的新思路，有利于提高内容信息推荐的准确率。为解决上述技术问题，本发明的技术方案如下：一种基于模糊优选神经网络的个性化信息推荐方法，其特征在于，包括以下步骤：s1：获取待推荐内容信息数据并对所述数据做清洗和预处理，包括对待推荐内容信息数据中的疑似错误数据进行清洗，在选取包括用户岗位、用户所在行业、用户关注的领域、用户喜欢的品牌作为影响内容信息推荐的要素，并把这些要素量化。s2：根据模糊优选理论构建目标特征值矩阵，并求目标相对隶属度矩阵；s3：选取训练样本，建立模糊优选神经网络模型，并进行神经网络的训练；s4：使用训练好的模糊优选神经网络计算各待推荐内容信息优属度；s5：根据各待推荐内容优属度进行排序，得到各内容信息的推荐优选排序。优选地，步骤s2中根据模糊优选理论构建目标特征值矩阵，并求目标相对隶属度矩阵，包括以下步骤：s2.1:根据模糊优选理论构建目标特征值矩阵，所述目标特征值矩阵为m×n矩阵，其中有n个待推荐的内容信息，m个影响内容信息推荐的要素，特征值xij表示用户与第j个待推荐内容信息在第i个影响内容信息推荐的要素的相似度值，目标特征值矩阵x为：其中，用户的第i个推荐要素的特征值向量为ai(i∈(1,m))，第j个待推荐的内容信息的第i个推荐要素的特征向量为s2.2：求取目标相对隶属度矩阵；对于越大越优型指标，相对隶属度rij采用如下公式：对于越小越优型指标，相对隶属度rij采用如下公式：ximin＝0时，则采用如下公式：式中，ximax、ximin分别为每个推荐影响要素所对应的最大特征值和最小特征值；得到目标相对隶属度矩阵r为：优选地，步骤s3中选取训练样本，建立模糊优选神经网络模型，并进行神经网络的训练，包括以下步骤：s3.1：选取训练样本；最大目标相对隶属度矩阵g＝(g1,g2,…,gm)＝max1≤j≤n(rij)为最优方案或决策，令其优属度为1；最小目标相对隶属度矩阵b＝(b1,b2,…bm)＝min1≤j≤n(rij)为最劣方案或决策，设其优属度为0；中间方案目标相对隶属度矩阵m＝(g+b)/2，令其优属度为0.5；神经网络输入输出如下表：将最优方案g作为“优”的衡量标准，方案j一相对隶属度uj隶属于优等决策，uj即为优属度，若m个因素权向量满足则方案j的优属度为：其中，uj∈[0,1]，当rij＝gi时，优属度为1,；当rij＝bi时，优属度为0；当rij＝mi时，优属度为0.5，训练样本按此设定；s3.2：训练神经网络，包括以下步骤：s3.2.1：根据训练样本确定神经网络结构：输入层节点数a、隐含层节点数b和输出层节点数c；s3.2.2：初始化神经网络参数，随机生成连接各层之间的权值和阈值，设置网络学习速率、误差允许范围；s3.2.3：代入训练样本输入数据计算网络输出值，求取网络输出值与训练样本输出数据之间的误差；s3.2.4：判断误差值是否达到误差允许范围，若满足，网络训练完成；若不满足返回步骤s3.2.3，网络根据误差自反馈调节各层权值与阈值，重新计算网络输出值。与现有技术相比，本发明技术方案的有益效果是：通过考虑影响推荐的要素有用户岗位、用户所在行业、用户关注的领域、用户喜欢的品牌等，通过对用户模型与内容信息在对应的推荐因素上进行相似匹配形成推荐影响要素的特征值矩阵，运用模糊优选神经网络的方法对待推荐内容信息进行优选排序，提高了内容推荐的准确率。附图说明图1为一种基于模糊优选神经网络的个性化信息推荐方法流程图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。实施例1本实施例提供一种基于模糊优选神经网络的个性化信息推荐方法，如图1，包括以下步骤：s1：获取待推荐内容信息数据并对所述数据做清洗和预处理；s2：根据模糊优选理论构建目标特征值矩阵，并求目标相对隶属度矩阵；s3：选取训练样本，建立模糊优选神经网络模型，并进行神经网络的训练；s4：使用训练好的模糊优选神经网络计算各待推荐内容信息优属度；s5：根据各待推荐内容优属度进行排序，得到各内容信息的推荐优选排序。步骤s1中对所述数据做清洗和预处理包括对待推荐内容信息数据中的疑似错误数据进行清洗，在选取包括用户岗位、用户所在行业、用户关注的领域、用户喜欢的品牌作为影响内容信息推荐的要素，并把这些要素量化。步骤s2中根据模糊优选理论构建目标特征值矩阵，并求目标相对隶属度矩阵，包括以下步骤：s2.1:根据模糊优选理论构建目标特征值矩阵，所述目标特征值矩阵为m×n矩阵，其中有n个待推荐的内容信息，m个影响内容信息推荐的要素，特征值xij表示用户与第j个待推荐内容信息在第i个影响内容信息推荐的要素的相似度值，目标特征值矩阵x为：其中，用户的第i个推荐要素的特征值向量为ai(i∈(1,m))，第j个待推荐的内容信息的第i个推荐要素的特征向量为s2.2：求取目标相对隶属度矩阵；对于越大越优型指标，相对隶属度rij采用如下公式：对于越小越优型指标，相对隶属度rij采用如下公式：ximin＝0时，则采用如下公式：式中，ximax、ximin分别为每个推荐影响要素所对应的最大特征值和最小特征值；得到目标相对隶属度矩阵r为：步骤s3中选取训练样本，建立模糊优选神经网络模型，并进行神经网络的训练，包括以下步骤：s3.1：选取训练样本；最大目标相对隶属度矩阵g＝(g1,g2,…,gm)＝max1≤j≤n(rij)为最优方案或决策，令其优属度为1；最小目标相对隶属度矩阵b＝(b1,b2,…bm)＝min1≤j≤n(rij)为最劣方案或决策，设其优属度为0；中间方案目标相对隶属度矩阵m＝(g+b)/2，令其优属度为0.5；将最优方案g作为“优”的衡量标准，方案j一相对隶属度uj隶属于优等决策，uj即为优属度，若m个因素权向量满足则方案j的优属度为：其中，uj∈[0,1]，当rij＝gi时，优属度为1,；当rij＝bi时，优属度为0；当rij＝mi时，优属度为0.5，训练样本按此设定；s3.2：训练神经网络，包括以下步骤：s3.2.1：根据训练样本确定神经网络结构：输入层节点数a、隐含层节点数b和输出层节点数c；s3.2.2：初始化神经网络参数，随机生成连接各层之间的权值和阈值，设置网络学习速率、误差允许范围；s3.2.3：代入训练样本输入数据计算网络输出值，求取网络输出值与训练样本输出数据之间的误差；s3.2.4：判断误差值是否达到误差允许范围，若满足，网络训练完成；若不满足返回步骤s3.2.3，网络根据误差自反馈调节各层权值与阈值，重新计算网络输出值。在具体实施过程中，利用表1的用户与内容信息相似度数据进行试验，数据如表1所示：表1用户与内容信息相似度数据对于序号1用户，假设用户模型为：岗位：销售、技术行业：汽车、电子关注领域：焊接机器人品牌：abb、库卡、安川待推荐文章的模型：岗位：技术、售后行业：电子电器、其他应用领域：搬运、其他品牌：abb文章阅读热度：【1,100】(数字越高表示该文章热度越大，阅读人数越多)；具体的相似度值计算过程如下：1.岗位相似度(1：表示是，0：表示否)用户待推荐文章销售10技术11售后01财务00则岗位相似度为：2.行业相似度用户待推荐文章汽车制造业10电子电器11五金制造业00家具制造业00其他11则行业相似度为：3.关注应用领域相似度则关注应用领域相似度为：4.品牌相似度用户待推荐文章abb11库卡10安川10发那科00其他00则品牌相似度为：经过步骤s2，可得到神经网络训练样本如表2所示：表2神经网络训练样本方案系统输入系统输出最优方案g＝(1.0000，1.0000，1.0000，1.0000)1最劣方案b＝(0.0075，0.2445，0.2500，0.3333)0中间方案m＝(0.5038，0.6223，0.6250，0.6667)0.5相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。当前第1页12