技术摘要：
本发明涉及一种具有q分离k稀疏的用户与物品拼接的推荐方法，包括：对用户i和物品j分别进行独热编码；构建和q类用户对应相等的q层用户k稀疏连接网络NNi，层间进行k稀疏连接，将用户i的独热编码输入至q层用户k稀疏连接网络NNi，获得用户隐含特征向量Ui；构建q类物品的q层  全部
背景技术：
随着互联网和人工智能的发展，越来越多的智能产品在各行各业为人们提供生活 的便利，听音乐、看电影、购物、阅读、聊天等日常行为与互联网紧密联系在一起。与此同时， 海量的数据不断地在互联网中产生，这导致用户难以快速地找到自己感兴趣的物品或信 息。 个性化推荐系统是以上问题的解决方法之一。常用的推荐方法包括基于内容的方 法和协同过滤的方法。基于内容的方法通过对用户和物品的分析，构建用户和物品的画像 信息，如文档内容、用户配置文件以及物品的属性，但由于用来构造画像的信息不易获得， 它的应用范围有较大的局限性。协同过滤的方法是以“行为相似的用户拥有相似的偏好”为 基本假设，仅基于用户对物品的点击、浏览和评分等交互行为即可完成推荐。也可以对用户 与用户、物品与物品、用户与物品之间的关系分别进行建模，以提高推荐精度。 但是，现有的推荐方法受到冷启动、数据稀疏性等问题的限制。其中，冷启动问题 产生的原因是由于缺少初始的偏好而无法做出可靠的推荐。在解决新用户的冷启动问题 时，现有的方法采用直接为新用户推荐热门物品，而这种做法对新用户的推荐效果并不好。 由于新用户在偏好排序中没有任何的信息，在基于记忆的协同过滤方法中，无法给新用户 做出任何推荐。基于神经网络的推荐方法可以通过表征学习做出推荐，可以作为协同过滤 的补充，但是现有的表征学习参数具有不可解释性，从而增加了在推荐中应用的难度。总 之，现有的推荐方法中都没能很好地解决新用户冷启动问题。
技术实现要素：
本发明的目的在于，为解决现有的推荐方法存在上述缺陷，本发明提出了一种具 有q分离k稀疏的用户与物品拼接的推荐方法；该方法结合了小世界模型理论和深度学习模 型，使网络模型更真实地模拟现实社交网络，不仅使深度学习模型的参数具有可解释性，同 时提高了模型训练的效率，解决了新用户的冷启动问题。该方法克服了新用户的冷启动问 题以及克服普通协同过滤方法的性能受到数据的高度稀缺性限制的问题，并且解决了现有 的推荐方法中附加的额外特征信息难以获取的技术问题。 为了实现上述目的，本发明提出了一种具有q分离k稀疏的用户与物品拼接的推荐 方法；该方法包括： 对用户i和物品j分别进行独热编码；利用无监督算法，将用户i分成q类，构建和q 类用户对应相等的q层用户k稀疏连接网络NNi，层间进行k稀疏连接，将用户i的独热编码输 入至q层用户k稀疏连接网络NNi，获得用户隐含特征向量Ui；利用无监督算法，将物品j分成q 类，构建q类物品的q层物品k稀疏连接网络NNj，将物品j的独热编码输入至q层物品k稀疏连 5 CN 111597428 A 说　明　书 2/8 页 接网络NNj，获得物品的隐含特征向量Vj；将各个层的用户隐含特征向量Ui与物品的隐含特 征向量Vj拼接后作为深度神经网络的输入，上半部分节点对应物品，下半部分节点对应用 户，将其输入至深度神经网络，获得输入用户对输入物品的评分等级；对应评分等级高的物 品作为推荐结果，并将其推荐给相应的用户；其中，所述深度神经网络为NNi和NNj的组合网 络。 作为上述方法的改进之一，该方法具体包括： 步骤1)对用户i进行独热编码，获得EnCode(i)，对物品j进行独热编码，获得 EnCode(j)； 步骤2)利用包括K均值(K-Means)聚类在内的无监督算法，将用户i分成q类，其中2