1.一种基于LDA主题模型和深度学习的群组推荐方法,其特征在于,包括:获取用户的历史信息,所述用户的历史信息包括:用户参与的服务信息、用户参与的群组信息;
基于所述用户的历史信息中的主题内容以及LDA主题模型,获得所述用户的历史信息的期间范围内的动态偏好;
描述所述用户的动态偏好与服务之间的对应关系;
通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,之后得到群组对于服务的偏好。
2.根据权利要求1所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述基于所述用户的历史信息中的内容以及LDA主题模型,获得所述用户的历史信息的期间范围内的动态偏好,包括:定义用户相关偏好的矩阵;
将所述用户的历史信息输入所述偏好矩阵,得到所述用户的偏好信息;
将所述用户的偏好信息进行聚类;
使用LDA主题模型获得各个聚类的主题分布;
使用时间函数,调整用户在不同时间段对于主题分布的权重,得到用户动态偏好。
3.根据权利要求2所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述用户相关偏好包括:用户的服务偏好、用户的群组偏好,其中:所述用户的服务偏好包括:用户的服务语义偏好、用户的服务时间偏好、用户的服务位置偏好;所述用户的群组偏好包括:用户的群组标签偏好、用户的群组语义偏好。
4.根据权利要求3所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述用户的服务语义偏好计算步骤如下:将所述用户的历史信息中用户参与的服务信息输入LDA文本主题模型;
获取主题特征向量eSu;
所述用户的服务时间偏好采用以下公式进行计算:p(D,T|u)=p(T|D,u)p(D|u),其中,p(D|u)为用户u在一个月内某天参与服务的概率,p(T|D,u)为用户u在一个月内某天中在时间段T参与服务的几率;
所述用户的服务位置偏好采用以下公式进行计算:其中,Lu是用户u参加服务的位置集合,l、分别表示用户u参加服务的位置,Kσ为参数;
用户的群组标签偏好采用以下公式进行计算:其中,i表示单词,j表示文档, 表示标签字典内的单词, 表示标签字典内的文档,tj表示用户的历史信息内的文档,ti表示用户的历史信息内的单词;
用户的群组语义偏好的计算步骤如下:
将所述用户的历史信息中用户参与的群组信息输入LDA文本主题模型;
获取主题特征向量eSg。
5.根据权利要求4所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,在所述描述所述用户的动态偏好与服务之间的对应关系之前包括:将用户的服务偏好、用户的群组偏好分别作为两个深度神经网络的输入,分别获取用户的服务偏好对应的隐性特征向量,以及用户的群组偏好对应的隐性特征向量;
计算用户的服务偏好对应的隐性特征向量和用户的群组偏好对应的隐性特征向量的平均特征向量;所述平均特征向量包括:内容特征、时间特征和位置特征。
6.根据权利要求5所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述内容特征采用以下公式进行计算:其中,i表示单词,j表示文档,k表示文本,D表示所有k的集合,ni,j表示i在j中的出现次数,mw为出现i的k的次数;
所述时间特征采用以下公式进行计算:
其中,te表示服务e的时间特征, 表示30×24的矩阵A中,用户u在30天中的某天的24小时中的某时段使用服务e,则对应的数值为1,否则为0;
所述位置特征采用以下公式进行计算:
其中,mu,i表示用户u在位置i选择服务的频率次数。
7.根据权利要求6所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述描述用户的动态偏好与服务之间的对应关系,包括:根据内容特征信息、时间特征信息以及位置特征信息来表示用户特征xu和服务特征xe,如下所示:xu=[cu,tu,lu],xe=[ce,te,le],其中,cu,tu,lu分别对应用户u的内容特征信息、时间特征信息以及位置特征信息;ce,te,le分别对应服务e的内容特征信息、时间特征信息以及位置特征信息。
8.根据权利要求7所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述描述用户的动态偏好与服务之间的对应关系,包括:采用以下公式计算用户特征和服务特征之间的相似度:隐藏神经元:
x(1)=W1x,
x(i)=f(Wix(i-1)+bi),i=2,...,N-1,y=f(WNx(N)+bN),
其中,x(i),i=1,...,N-1表示隐藏层神经元,bi表示第i-1层偏置项,Wi表示第i层网络参数;
用户特征xi和服务特征xj之间的相似度:其中,x是输入向量,y为输出向量。yi以及yj则表示xi和xj的高层特征,输出即表示用户u对服务e的评价,即:
9.根据权利要求8所述的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,所述通过群组中各个用户之间的相互影响,修正群组内各个用户的动态偏好与服务之间的对应关系,之后得到群组对于服务的偏好,包括:用户ui与群组内其他用户通过一次沟通过程可得出:其中, 是用户uj对e的原始偏好, 表示用户uj对ui的影响度,经过一次交流后所有用户的修正偏好矩阵为:R(1)=σ{F1R(0)}
其中, 表示所有用户的修正偏好矩阵,
表示影响度矩阵, 表示群内用户的原始偏好矩阵;
群组内用户反复交流得出:
R(t)=σ{FtR(t-1)}
R(t)表示群内成员完成t次沟通后的修正偏好矩阵,Ft表示t次沟通后群内成员的影响度矩阵,最终群组g对服务e的偏好矩阵Rg可表示为:其中,wg,i表示ui在g群组中所占权重。若ui不是g的成员,则wg,i为0,得到:Rg=WiR(t)
i
其中, W={wg,i}(g=1,2,...,|G|),u=1,2,...,|U|。
10.根据权利要求9所述的的基于LDA主题模型和深度学习的群组推荐方法,其特征在于,使用神经网络bp算法计算参数矩阵Ft。