1.一种基于多模态特征交互深度融合推荐方法,其特征在于,包括如下步骤:
1)从用户行为日志中提取用户和项的行为数据,并将相关属性数据进行提取,组成可用的数据集;
2)将步骤1)得到的数据集,进行预处理,得到相关有用的数据集,分析数据集的分布,得出数据集的规律;
3)根据步骤2)探索到数据分布和规律,对各个模态的数据类型进行特征提取,做特征工程,包括进行用户行为特征提取、文本特征提取、音频特征提取和视频特征提取;并对提取的不同模态特征融合,进行多模态特征融合,进行交互探索高阶特征,用XGBbosst算法选出有效的特征数据;
4)根据步骤3)得到基础特征和高阶特征数据,将数据集划分为训练集、验证集和测试集,将提取的特征数据输入到融合模型中,采用训练集和验证集验证模型效果,选出效果最好的融合模型;
5)根据步骤4)选定的最佳融合模型,将测试集数据输入到模型中,得到用户对项目的点击率,根据点击率进行分类,将分类好的数据推荐给相应的用户。
2.根据权利要求1所述的一种基于多模态特征交互深度融合推荐方法,其特征在于,所述的多模态特征融合,是将基本数据、文本数据、视频数据和音频数据类型进行处理并将其融合得到可输入到模型中的数据,在数据类型中,基本数据包括用户的年龄、城所在市;文件数据包括视频的标题、描述;视频数据包括是否有人脸数据;音频数据包括该视频的背景音乐。
3.根据权利要求1所述的一种基于多模态特征交互深度融合推荐方法,其特征在于,步骤3)中,所述的进行交互探索高阶特征,具体方法如下:用FM算法进行特征组合,通过两两特征组合,引入交叉项特征即二阶特征,提高模型得分通过引入隐向量,对参数矩阵进行分解,完成特征参数的估计;所述的FM算法为三层网络,它的核心部分是第二层的FM layer,FM layer由两部分组成,一部分是lr部分,令一部分是inner product部分,具体公式如下:其中,表示特征交互的值,w0是偏移量,wi是输入特征的参数,
4.根据权利要求1所述的一种基于多模态特征交互深度融合推荐方法,其特征在于,步骤4)中,所述的融合模型,设计方法如下:
4-1)采用一个修改后的xDeepFM模型,该模型可以接受多模态特征作为输入;
4-2)指定如何整合所有修改后的模型以形成融合模型;
4-3)基于xDeepFM模型,添加用于提取标题、音频和视频功能的模块,先将稀疏用户交互数据转换为稀疏特征,然后将密集用户交互数据转换为密集特征;
4-4)将标题数据转换为序列特征,使用嵌入层来减小这些特征的维数并获得嵌入的特征向量,嵌入层的结果为宽的级联向量,表示如下:e=[e1,e2,...,em]
其中em是级联向量值;
4-5)步骤4-4)获得的特征向量馈入三个模块:线性层,压缩交互网络CIN层和普通深度神经网络DNN层;CIN层的输入来自Embedding层,假设有m个field,每个field的embedding vector维度为D,则输入表示为矩阵X0∈Rm*D,令 表示第k层的输出,其中Hk表示第k层的向量个数,向量的维度始终为D,保持和输入层一致,具体计算方式如下:其中Xkh,*表示第k层的输出,1≤h≤Hk, 表示第k层的第h个向量的权值矩阵, 表示第k-1层特征向量第i个的特征值, 是第0层特征向量第j个的特征值,o表示Hadamard乘积;
4-6)对于视频和音频数据,首先使用主成分分析PCA提取原始特征的主成分并减小特征尺寸;
4-7)白化模型来减少特征之间的相关性,然后使用嵌入层获取音频和视频特征的嵌入特征向量;最后将嵌入的音频特征向量和视频特征向量馈入两个不同的纯DNN层中,以进行进一步的特征提取,白化模型的输出是:其中 是白化模型的输出,σ是sigmoid函数, 是线性层的权值, 是dnn层的权值, 是cin层的权值,a是原始特征, 和p分别是dnn层特征输出和cin层输出,b为可学习的参数。
5.根据权利要求1所述的一种基于多模态特征交互深度融合推荐方法,其特征在于,步骤5)中,所述的融合模型,预测是否推荐的概率公式具体如下:其中 表示推荐的概率,fi表示第i个模型,wi表示第i个模型的权值;对应融合模型的损失函数如下:其中yi表示真实值,表示预测值,N是整个训练样本的个数。