一种基于大数据双向推荐的深度学习方法及双向推荐装置的制造方法
【专利摘要】本发明涉及一种基于大数据双向推荐的深度学习方法及双向推荐装置，属于人工智能和机器学习技术领域；其在大数据平台环境下，解决了社会化网络体系之中互为主体和客体的人与人之间穿越信息墙的问题。作为主客体双向信息反馈的个性化推荐方法，其将主体与客体都作为评价对象，从两个方向建立用户评价矩阵和项目评价矩阵，利用消息反馈机制建立了主客体双向推荐模式，并利用匹配技术对双向的相似度矩阵进行二次匹配融合。本发明彻底改变了单向推荐模式中主体或客体一方获取推荐的方法，而是用机器学习方法建立了主体与客体相互关联的推荐模式，开创了利用深度学习对大数据进行关联性分析的新领域。
【专利说明】
一种基于大数据双向推荐的深度学习方法及双向推荐装置
技术领域
[0001] 本发明涉及一种基于大数据双向推荐的深度学习方法及双向推荐装置，属于人工 智能和机器学习技术领域。
【背景技术】
[0002] 随着大数据时代的到来，人们逐渐从信息匮乏的时代走入了信息过载的时代。结 构化数据和非结构化数据量的爆发性增长在信息的消费者和生产者之间竖起了一道庞大 的信息墙。人脑在面对海量的数据时，难以找到自己感兴趣的信息。信息的生产者也很难让 自己的信息准确的传递到有需要的人面前。为了解决信息过载的问题，在搜索引擎之后，推 荐系统诞生并作为一种帮助用户快速发现有用信息的工具。现有的推荐系统是通过分析用 户的历史行为和需求，进行用户画像，从而向用户主动推荐他们所感兴趣的信息。协同过滤 方法是推荐系统中最具代表性的方法。协同过滤算法根据信息消费者已浏览或关心的信 息，通过大数据分析来推导出消费者还可能感兴趣的信息。虽然这个方法通过信息的过滤 以及智能筛选解决了信息消费者在选择时的迷茫，但是，它仍然是一种单向的信息到人的 传递过程。其主要是利用计算项目的相似度和用户对项目的评价数据来向用户推荐信息， 它忽略了项目也可以作为评价主体，也需要从海量信息中获得感兴趣的用户信息。例如，如 果商家作为项目，那么除了商家向用户推荐商品外，机器学习还应当具备将潜在用户推荐 给商家的能力。所以，这里需要明确的是，人工智能与机器学习的初衷并不仅仅是实现一种 信息的有效过滤和传递，而是在实现机器智能的基础上，更好的为人与人服务，为整个社会 化网络服务。这也是信息传递的根本任务，即更高效的建立人与人之间的联系。所以，现有 的推荐方法只是实现了信息生产者提交的信息更有效的传递到信息消费者，但是，并没有 考虑到信息消费者也在生产信息，只有这些信息也有效的传递到所需要的人的时候，在海 量信息墙两端的人们才会建立起个性化的联系。
【发明内容】
[0003] 本发明的目的是为了克服已有技术的缺陷，为了解决人与人跨越信息墙并建立有 机联系的问题，提出一种基于大数据双向推荐的深度学习方法及双向推荐装置;其在大数 据平台环境下，解决了社会化网络体系之中互为主体和客体的人与人之间穿越信息墙的问 题;作为主客体双向信息反馈的个性化推荐方法，其将主体与客体都作为评价对象，从两个 方向建立用户评价矩阵和项目评价矩阵，利用消息反馈机制建立了主客体双向推荐模式， 并利用匹配技术对双向的相似度矩阵进行二次匹配融合。
[0004] 本发明的目的是通过下述技术方案实现的：
[0005] -种基于大数据双向推荐的深度学习方法，其基本实施过程如下：
[0006] 1)确定主体与客体的关系，定义协同过滤的方向和流程；
[0007] 在这个方法中，用户与项目互为信息传递的主体和客体。其机器学习的过程，不仅 仅要收集用户对项目的评价数据，还需要收集项目对用户的评价数据。这里，将向用户推荐 信息的过程称为"正向过程"，将向项目推荐信息的过程称为"逆向过程"。正向过程和逆向 过程同时进行，并进行匹配运算。
[0008] 2)提取用户评价数据，即用户对项目的兴趣度评分值，构造用户评价矩阵；
[0009] 例如，利用深度学习的推荐方法执行葡萄酒的购买和销售过程，那么用户是购买 葡萄酒的人，项目是葡萄酒，用户评价数据就是买家对不同类型葡萄酒的评分，评估酒的味 道，价格和质量等。用户评价矩阵由用户对项目的评分构成。每一个行向量由某个用户对各 个项目的评分值组成。
[0010] 3)在用户评价数据中提取每个项目被所有用户的评价数据，构成项目特征行向 量，由所有项目的特征行向量构成项目特征矩阵;利用相似度算法，计算各个项目之间的相 似度，构造项目相似度矩阵；
[0011] 4)提取项目评价数据，项目评分并不是项目对用户的直接评分，而是项目的执行 人对用户的评分；
[0012] 例如，利用深度学习的推荐方法执行葡萄酒的购买和销售过程，那么用户是购买 葡萄酒的人，项目是葡萄酒，项目评价数据就是葡萄酒商家对用户的评分，评估用户的口 味，购买力和购买偏好等。用项目评价数据来构造项目评价矩阵。每一个行向量由某个项目 对各个用户的评分值组成。
[0013] 5)在项目评价数据中提取每个用户被所有项目的评价数据，构成用户特征行向 量，由所有用户的特征行向量构成用户特征矩阵;利用相似度算法，计算各个用户之间的相 似度，构造用户相似度矩阵。
[0014] 6)利用用户评价矩阵和项目相似度矩阵进行运算，利用用户评价值高的项目，在 项目相似度矩阵里找到其他潜在项目，在以用户为行，项目为列的矩阵中，将潜在项目的评 分值标为1，其他值为零;这样就构造了用户推荐矩阵；
[0015] 7)利用项目评价矩阵和用户相似度矩阵进行运算，利用项目评价值高的项目，在 用户相似度矩阵里找到其他潜在用户，在以项目为行，用户为列的矩阵中，将潜在用户的评 分值标为1，其他值为零;这样就构造了项目推荐矩阵；
[0016] 8)将用户推荐矩阵和项目推荐矩阵之一转置后进行矩阵与运算，得到用户与项目 的匹配推荐矩阵;此矩阵中的非零值标志着无论从正向还是逆向推荐的角度考虑，都能达 到潜在推荐效果的用户-项目匹配对；
[0017] 9)对匹配推荐矩阵利用项目评价矩阵和用户评价矩阵一起进行匹配验证运算，将 匹配推荐矩阵中推荐的用户或项目中评分较低的项目或用户去除即得到匹配推荐矩阵。
[0018] -种基于大数据的双向推荐装置，包括用户评价与推荐模块，项目评价与推荐模 块，匹配推荐模块;用户评价与推荐模块和项目评价与推荐模块分别与匹配推荐模块相连；
[0019] 用户评价与推荐模块作为用户评价数据的输入端，获得用户针对项目的评价数 据，并以其构建用户评价矩阵，然后对其进行特征提取及项目相似度运算，接下来基于相似 度运算结果结合用户评价矩阵进行用户推荐以得到用户推荐矩阵；
[0020] 项目评价与推荐模块将项目作为评价主体，输入端为项目对用户的评价数据，以 该数据构建项目评价矩阵，并对其进行特征提取及用户相似度运算，然后基于相似度运算 结果结合项目评价矩阵进行项目推荐以得到项目推荐矩阵；
[0021] 匹配推荐模块用于综合用户推荐结果和项目推荐结果得到匹配推荐矩阵，然后对 该矩阵再次利用初始用户评价数据和项目评价数据进行验证，获得最终的配对推荐矩阵。
[0022] 有益效果
[0023] 本发明方法，对比已有的个性化推荐技术，改单向信息推荐为双向配对型推荐，进 一步提升了推荐的信息可靠性，能够更有效的解决在大数据时代，社会化网络体系之中的 人与人之间穿越信息墙的问题，开创了利用深度学习对大数据进行关联性分析的新领域。 同时，进一步转变和明确了人工智能的思路，人工智能的最终目的，不仅仅是建立纯粹独立 的机器智能应用，还要利用深度学习方法，更好的建立人与人之间的联系，最终为人类服 务。
【附图说明】
[0024] 图1为本发明实施例一种基于大数据的双向推荐装置结构示意图；
[0025] 图2为本发明实施例一种基于大数据双向推荐的深度学习方法的流程示意图；
[0026] 图3为本发明实施例用户评价矩阵内容示意图；
[0027] 图4为本发明实施例项目评价矩阵内容示意图；
[0028] 图5为本发明实施例项目特征矩阵内容示意图；
[0029] 图6为本发明实施例用户特征矩阵内容示意图；
[0030] 图7为本发明实施例用户相似度矩阵内容示意图；
[0031] 图8为本发明实施例项目相似度矩阵内容示意图；
[0032] 图9为本发明实施例用户推荐矩阵内容示意图；
[0033] 图10为本发明实施例项目推荐矩阵内容示意图；
[0034] 图11为本发明实施例匹配推荐矩阵内容示意图；
[0035] 图12为本发明实施例配对推荐矩阵内容示意图。
【具体实施方式】
[0036] 下面结合附图对本发明方法的实施方式做详细说明。
[0037] 如图2所示为一种基于大数据双向推荐的深度学习方法的流程示意图，下面以人 才招聘为例说明该方法的实施过程，具体包括以下步骤：
[0038] 步骤一、确定主体与客体的关系，定义协同过滤的方向和流程；
[0039] 在本实例中，确定用户、项目和项目主体分别如下：
[0040] 用户为求职者，其提供个人简历信息，并对获得的职位信息进行评价；
[0041] 项目为职位信息；
[0042] 项目主体为企业，企业除了发布职位信息吸引求职者外，还对获得的求职者信息 进行评价。
[0043]这样，就可以在双向评价的基础上来实现双向推荐的机器学习过程。
[0044] 步骤二、提取用户评价数据和项目评价数据，以用户为行，项目为列来构造用户评 价矩阵，以项目为行，用户为列来构造项目评价矩阵。
[0045] 收集评价数据，其包括用户对项目（职位)的评价信息和项目主体(企业)对用户的 评价信息，将两部分数据分别进行处理，得到用户评价矩阵和项目评价矩阵。如图3所示，在 用户评价矩阵中，是把每个用户评价过的项目进行整合，没有评价过的设置为〇。那么对于 用户1来说，其评价行向量为[2.5,3.0,5.0,2.3,2.6，1.9,0,0,0]。如图4所示，在项目评价 矩阵中，是把每个项目主体评价过的用户进行整合，没有评价过的设置为〇。那么对于项目 主体来说，其第一条评价行向量为[3.1，3.9,2.6,5.0,0,0]。在本实例中，评分的取值范围 是[0，5]。
[0046] 为了提高效率，两个评价矩阵的构造，可以利用分布式并行方法进行矩阵化的数 据处理。在本例中，使用Hadoop平台，利用两个Job任务进行矩阵化的数据处理，建立用户评 价矩阵E u和项目评价矩阵EP。
[0047] 步骤三、分别将用户评价矩阵Eu和项目评价矩阵匕转置得到项目特征矩阵!^和用 户特征矩阵Tu，同前，本例中，这两个特征矩阵的构造也分别用两个Job任务来完成，构造后 的矩阵如图5和图6所示。
[0048] 步骤四、在项目特征矩阵TjP用户特征矩阵Tu中，依次计算各个行向量之间的曼哈 顿距离，分别得到各个行向量之间的相似度，构成项目相似度矩阵叫和用户相似度矩阵D u。 则相似度矩阵的构造过程如下：
[0049] DP(Pi,Pj) = ( |E(Ui/Pi)-E(Ui/Pj) | + |E(U2/Pi)-E(U2/Pj) | + . . . + |E(Un/Pi)-E(Un/Pj) )/δη
[0050] Du(Ui,Uj) = ( |E(Pi/Ui)-E(Pi/Uj) | + |E(P2/Ui)-E(P2/Uj) | + . . . + |E(Pm/Ui)-E(Pm/Uj) )/δπι
[0051] 其中，Pi代表项目特征矩阵中第i个项目的用户评价向量，E^i/Pj)代表第一个用 户对第j个项目的评价值，EOJk/PO代表第k个用户(ke[l， n])对第i个项目的评价值，n表示 总的用户数目。
[0052] Ui代表用户特征矩阵中第i个用户的项目评价向量，E(Pi/Ui)代表第一个项目对第 i个用户的评价值，E(Pk/Ui)代表第k个项目（ke [1，m])对第i个用户的评价值，m表示总的项 目数目。
[0053]由于本实施例中，评分的取值范围是[0,5]，因此δ = 5,得到的用户相似度矩阵Du 和项目相似度矩阵DP如图7、图8所示。
[0054]当然，相似度矩阵的构造算法不限于本实施例中的曼哈顿距离，任何能够表征出 两个向量相似度的算法都适用，只要根据不同的算法调整后续步骤相应的取值适于本发明 的思想即可。
[0055] 步骤五，根据项目相似度矩阵叫和用户评价矩阵Eu来计算用户推荐矩阵U-P，并根 据用户相似度矩阵D u和项目评价矩阵匕来计算项目推荐矩阵P-U。
[0056] 首先，基于用户评价值最高的项目，根据项目相似度，设定相似度的阈值δ。此阈值 的取值范围一般在0.3到0.6之间，需要根据实际项目的情况自行指定。在项目相似度矩阵 里进行遍历运算，找到所有低于此阈值S的项目。本实施例中4 = 0.34。由于本实施例中采 用曼哈顿距离作为相似度的度量，因此，其距离越小，相似度越高。此处亦可采用其它方法 计算相似度。接下来构造以用户为行，项目为列的矩阵，将类似项目的评分值标为1，其他值 为零;这样就构造了由值〇和1构成的用户推荐矩阵U-P，如图9所示。
[0057] 其次，基于项目评价值最高的用户，根据用户相似度，设定相似度的阈值μ。在用户 相似度矩阵里进行遍历运算，找到所有低于此阈值μ的用户。本实施例中，μ = 〇.36。并构造 以项目为行，用户为列的矩阵，将类似用户的评分值标为1，其他值为零;构造完成由值〇和1 构成的项目推荐矩阵Ρ-υ，如图10所示。
[0058] 步骤六，将项目推荐矩阵P-U和用户推荐矩阵U-P作为输入，将用户推荐矩阵U- P进行转置，并将转置后的矩阵与项目推荐矩阵P-U进行矩阵的与运算，得到经过匹配后的 推荐矩阵Rup，如图11所示。其作为双向推荐过程的初始结果，用作计算配对推荐矩阵时的输 入数据。
[0059] 步骤七，分别提取匹配后的推荐矩阵RUP中的用户推荐结果和项目推荐结果，并将 结果按照如下方式与用户评价矩阵和项目评价矩阵进行比较验证:首先定义一个验证阈 值r，本实施例中r = 3.0,然后找到用户推荐结果的值在用户评价矩阵中对应的值F，如果值 F小于阈值r，则将推荐矩阵RDUP中对应的元素改置为0;同理，根据项目推荐结果的值找到项 目评价矩阵中对应的值，将小于阈值的元素改置为0。验证完成之后，即得到配对推荐矩阵 RDUP，如图12所示。这样，就进一步提高了推荐数据的精准度，使得用户和项目双方都可获得 高质量的推荐数据。
[0060] 自此，就实现了一种双向的机器学习推荐方法，解决了社会化网络体系之中互为 主体和客体的人与人之间穿越信息墙的问题，开创了利用深度学习对大数据进行关联性分 析的新领域。
[0061] 基于上述一种基于大数据双向推荐的深度学习方法，本发明还实现了一套基于大 数据的双向推荐装置，其结构示意图如图1所示，从图中可以看出，该装置包括用户评价与 推荐模块，项目评价与推荐模块，匹配推荐模块;用户评价与推荐模块和项目评价与推荐模 块分别与匹配推荐模块相连;其中用户评价与推荐模块作为用户评价数据的输入端，获得 用户针对项目的评价数据，并以其构建用户评价矩阵，然后对其进行特征提取及项目相似 度运算，接下来基于相似度运算结果结合用户评价矩阵进行用户推荐以得到用户推荐矩 阵;项目评价与推荐模块将项目作为评价主体，输入端为项目对用户的评价数据，以该数据 构建项目评价矩阵，并对其进行特征提取及用户相似度运算，然后基于相似度运算结果结 合项目评价矩阵进行项目推荐以得到项目推荐矩阵;匹配推荐模块用于综合用户推荐结果 和项目推荐结果得到匹配推荐矩阵，然后对该矩阵再次利用初始用户评价数据和项目评价 数据进行验证，获得最终的配对推荐矩阵。
[0062] 进一步的，为完成所述用户评价与推荐模块的功能，其由依次连接的用户评价矩 阵构建单元、项目特征提取及矩阵化单元、项目相似度计算单元以及用户推荐单元组成； 其中用户评价矩阵构建单元还与用户推荐单元连接；
[0063] 所述用户评价矩阵构建单元用于接受用户对项目的评价数据，并基于该数据构建 用户评价矩阵；
[0064] 所述项目特征提取及矩阵化单元用于基于用户评价矩阵提取项目特征并以其构 建项目特征矩阵；
[0065] 所述项目相似度计算单元用于基于项目特征矩阵计算项目间的相似度，并以相似 度计算结果构建项目相似度矩阵；
[0066] 所述用户推荐单元用于基于用户评价矩阵以及项目相似度矩阵按照预设阈值筛 选相似项目从而进行用户推荐获得用户推荐矩阵。
[0067] 进一步的，为完成所述项目评价与推荐模块的功能，其由依次连接的项目评价矩 阵构建单元、用户特征提取及用户特征矩阵化单元、用户相似度计算单元以及项目推荐单 元组成;其中项目评价矩阵构建单元还与项目推荐单元连接；
[0068] 所述项目评价矩阵构建单元用于接受项目对用户的评价数据，并基于该数据构建 项目评价矩阵；
[0069] 所述用户特征提取及用户特征矩阵化单元用于基于项目评价矩阵提取用户特征 并以其构建用户特征矩阵；
[0070] 所述用户相似度计算单元用于基于用户特征矩阵计算用户间的相似度，并以相似 度计算结果构建用户相似度矩阵；
[0071 ]所述项目推荐单元用于基于项目评价矩阵以及用户相似度矩阵按照预设阈值筛 选相似用户从而进行项目推荐获得项目推荐矩阵。
[0072] 进一步的，为完成所述匹配推荐模块的功能，其由依次连接的计算匹配矩阵单元 和匹配验证单元组成；
[0073] 所述计算匹配矩阵单元用于基于用户推荐矩阵和项目推荐矩阵，将二者之一转 置后进行与运算获得匹配推荐矩阵；
[0074]所述匹配验证单元用于对匹配推荐矩阵基于预设阈值重新审视用户评价矩阵和 项目评价矩阵，将低于预设阈值的推荐去除从而得到配对推荐矩阵并输出。
[0075]从用户的视角，将矩阵中值为1的项目提取并输出即得到向用户推荐的项目；从项 目的视角，将矩阵中值为1的用户提取并输出即得到向项目推荐的用户。
[0076]实验结果
[0077]实验介绍和实验数据准备：
[0078]通过建立基于语义挖掘的大数据平台，对北京市范围的所有高校就业信息网的数 据进行了分布式实时抓取，并利用自然语言理解技术对数据进行了多维度的语义分析，将 数据以多维标签的形式表示。每一条招聘信息对应的维度元素为:来源，行业，工作性质，户 口取向，工作地点取向，收入，工作压力，工作内容取向。这样，在以招聘数据为模型的大数 据平台上，用户取向与企业需求的匹配根据取向维度相关联。在系统初始化过程中，利用程 序创建了默认的20万个机器人用户，并对每个用户指派了取向维度。其中，每条取向维度的 生成都由数据库中的存储过程执行，保证了取向维度在机器人用户中的平均分布。在抓取 的10万条数据中，按照取向维度的取值，对20万个机器人用户进行了可选性的数据随机分 发，使得这些用户具备了第一批的数据。然后，创建随机评价脚本，通过随机评价过程，获得 了所有用户对第一批数据的私有评价。这样，推荐系统所需要的用户数据，项目数据，评价 数据三个方面都已具备。
[0079]实验设置：
[0080]在实验部分，本发明使用5倍交叉验证的方法来进行评价，即：选取80%的数据作 为训练数据，剩余的20%数据作为测试数据，进行试验。并使用准确率和召回率作为评价方 法，其定义为：
[0083]其中：P是推荐数据的准确率，TP是测试数据中被系统正确判定的样本数量，FP是 测试数据中被系统错误判定的样本数量;R是推荐数据的召回率，FN是测试数据中有推荐的 样本数量。
[0084] 实验结果：
[0085] 为了验证本发明方法的效果，实验分别和传统的单向基于用户的协同过滤方法 (UBCF)以及单向基于物品的协同过滤方法（IBCF)进行比较，结果如下表所示：
[0087]在上表中，我们可以看出相对于传统的UBCF和IBCF方法，本发明方法可以有效地 提高推荐模型的准确率和召回率，其中准确率分别提高了 4.27 %和7.8 %，召回率分别提高 了 3.19%和4.79%。因此，实验结果清晰表明本发明方法比传统的单向方法效果要好，这些 提高则是因为使用了双向推荐模型。
[0088]以上所述的具体描述，对发明的目的、技术方案和优点益处都进行了进一步的详 细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保 护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本 发明的保护范围之内。
【主权项】
1. 一种基于大数据双向推荐的深度学习方法，其特征在于:包括以下步骤： 1) 确定主体与客体的关系，定义协同过滤的方向和流程； 2) 提取用户评价数据，即用户对项目的兴趣度评分值，构造用户评价矩阵； 3) 在用户评价数据中提取每个项目被所有用户的评价数据，构成项目特征行向量，由 所有项目的特征行向量构成项目特征矩阵;利用相似度算法，计算各个项目之间的相似度， 构造项目相似度矩阵； 4) 提取项目评价数据，项目评分并不是项目对用户的直接评分，而是项目的执行人对 用户的评分； 5) 在项目评价数据中提取每个用户被所有项目的评价数据，构成用户特征行向量，由 所有用户的特征行向量构成用户特征矩阵;利用相似度算法，计算各个用户之间的相似度， 构造用户相似度矩阵。 6) 利用用户评价矩阵和项目相似度矩阵进行运算，利用用户评价值高的项目，在项目 相似度矩阵里找到其他潜在项目，在以用户为行，项目为列的矩阵中，将潜在项目的评分值 标为1，其他值为零;这样就构造了用户推荐矩阵； 7) 利用项目评价矩阵和用户相似度矩阵进行运算，利用项目评价值高的项目，在用户 相似度矩阵里找到其他潜在用户，在以项目为行，用户为列的矩阵中，将潜在用户的评分值 标为1，其他值为零;这样就构造了项目推荐矩阵； 8) 将用户推荐矩阵和项目推荐矩阵之一转置后进行矩阵与运算，得到用户与项目的匹 配推荐矩阵;此矩阵中的非零值标志着无论从正向还是逆向推荐的角度考虑，都能达到潜 在推荐效果的用户-项目匹配对； 9) 对匹配推荐矩阵利用项目评价矩阵和用户评价矩阵一起进行匹配验证运算，将匹配 推荐矩阵中推荐的用户或项目中评分较低的项目或用户去除即得到匹配推荐矩阵，该矩阵 中值为1的项目或用户即为推荐项目或用户。2. 根据权利要求1所述的一种基于大数据双向推荐的深度学习方法，其特征在于:所述 相似度算法为曼哈顿距离。3. -种基于大数据的双向推荐装置，其特征在于:包括用户评价与推荐模块，项目评价 与推荐模块，匹配推荐模块；用户评价与推荐模块和项目评价与推荐模块分别与匹配推荐 丰吴块相连； 用户评价与推荐模块作为用户评价数据的输入端，获得用户针对项目的评价数据，并 以其构建用户评价矩阵，然后对其进行特征提取及项目相似度运算，接下来基于相似度运 算结果结合用户评价矩阵进行用户推荐以得到用户推荐矩阵； 项目评价与推荐模块将项目作为评价主体，输入端为项目对用户的评价数据，以该数 据构建项目评价矩阵，并对其进行特征提取及用户相似度运算，然后基于相似度运算结果 结合项目评价矩阵进行项目推荐以得到项目推荐矩阵； 匹配推荐模块用于综合用户推荐结果和项目推荐结果得到匹配推荐矩阵，然后对该矩 阵再次利用初始用户评价数据和项目评价数据进行验证，获得最终的配对推荐矩阵。4. 根据权利要求3所述的一种基于大数据的双向推荐装置，其特征在于:所述用户评价 与推荐模块由依次连接的用户评价矩阵构建单元、项目特征提取及矩阵化单元、项目相似 度计算单元以及用户推荐单元组成;其中用户评价矩阵构建单元还与用户推荐单元连接； 所述用户评价矩阵构建单元用于接受用户对项目的评价数据，并基于该数据构建用户 评价矩阵； 所述项目特征提取及矩阵化单元用于基于用户评价矩阵提取项目特征并以其构建项 目特征矩阵； 所述项目相似度计算单元用于基于项目特征矩阵计算项目间的相似度，并以相似度计 算结果构建项目相似度矩阵； 所述用户推荐单元用于基于用户评价矩阵以及项目相似度矩阵按照预设阈值筛选相 似项目从而进行用户推荐获得用户推荐矩阵。5. 根据权利要求3所述的一种基于大数据的双向推荐装置，其特征在于:所述项目评价 与推荐模块由依次连接的项目评价矩阵构建单元、用户特征提取及用户特征矩阵化单元、 用户相似度计算单元以及项目推荐单元组成;其中项目评价矩阵构建单元还与项目推荐单 元连接； 所述项目评价矩阵构建单元用于接受项目对用户的评价数据，并基于该数据构建项目 评价矩阵； 所述用户特征提取及用户特征矩阵化单元用于基于项目评价矩阵提取用户特征并以 其构建用户特征矩阵； 所述用户相似度计算单元用于基于用户特征矩阵计算用户间的相似度，并以相似度计 算结果构建用户相似度矩阵； 所述项目推荐单元用于基于项目评价矩阵以及用户相似度矩阵按照预设阈值筛选相 似用户从而进行项目推荐获得项目推荐矩阵。6. 根据权利要求3-5任一所述的一种基于大数据的双向推荐装置，其特征在于:所述匹 配推荐模块由依次连接的计算匹配矩阵单元和匹配验证单元组成； 所述计算匹配矩阵单元用于基于用户推荐矩阵和项目推荐矩阵，将二者之一转置后进 行与运算获得匹配推荐矩阵； 所述匹配验证单元用于对匹配推荐矩阵基于预设阈值重新审视用户评价矩阵和项目 评价矩阵，将低于预设阈值的推荐去除从而得到配对推荐矩阵并输出。
【文档编号】G06F17/30GK106096015SQ201610471259
【公开日】2016年11月9日
【申请日】2016年6月24日
【发明人】毛煜, 苏岩, 牛科, 左琦, 刘军
【申请人】北京理工大学