[发明专利]一种协同过滤推荐模型中调整学习速率的方法

说明书

技术领域

本发明属于数据挖掘和个性化推荐技术领域，特别是涉及一种协同过滤推荐模型中调整学习速率的方法。

背景技术

互联网信息规模的爆炸性增长，带来信息超载的问题，过量信息同时呈现，使得用户很难从中筛选出对个人有效的部分，信息利用率反而降低。个性化推荐技术是数据挖掘研究领域的重要分支，目标是通过建立个性化推荐系统来提供“信息找人”的智能服务，以从根本上解决信息超载。

作为推荐产生源，推荐模型是个性化推荐系统中的核心组件，而基于矩阵因式分解的推荐模型因其具备良好的推荐准确率和可扩展性，是一类应用广泛的推荐模型，但是，基于矩阵因式分解的推荐模型的构造过程依赖于学习速率，若学习速率过高，会降低推荐准确率，如果学习速率过低，则会降低模型的训练收敛速度。

目前，对基于矩阵因式分解的推荐模型，其训练过程的学习速率设置仍然是采用固定经验值的方法，根据以往的模型构造经验，选取一个可能会达到推荐准确率和训练收敛速度两者之间较好平衡的值，作为固定不变的学习速率，该方法忽略了不同的训练数据和应用环境对推荐模型的客观要求，准确率低且易造成推荐模型的训练收敛速度慢。

因此在深入研究基于矩阵因式分解的推荐模型训练过程的基础上，本领域技术人员致力于开发一种协同过滤推荐模型中调整学习速率的方法，能够使推荐模型的准确率及收敛速度达到一个较好的平衡状态。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种协同过滤推荐模型中调整学习速率的方法，使推荐模型的准确率及收敛速度达到一个较好的平衡状态，使推荐模型的训练过程得到优化。

为实现上述目的，本发明提供了一种协同过滤推荐模型中调整学习速率的方法，按以下步骤进行：

步骤一、定义并计算学习速率放大比例因子和缩小比例因子；建立学习速率与用户隐特征向量的对应关系、建立学习速率与项目隐特征向量的对应关系；

设定学习速率的放大比例因子α；通过sigmoid函数定义0＜η₀＜1；设定学习速率的缩小比例因子β，β＝α^-1；

设定用户隐特征向量为P，P为m×f的矩阵，m为用户数，f为隐特征向量空间的维数，P_u，k是P中第u行、第k列的元素；对于所有的p_u，k{1≤u≤m,1≤k≤f}建立学习速率η_u，k，初始化η_u，k＝η₀，m、f均为正整数；

设定项目隐特征向量为Q，Q为n×f的矩阵，n为项目数，f为隐特征向量空间的维数，q_i，k是Q中第i行、第k列的元素；对于所有的q_i，k{1≤i≤n，1≤k≤f}建立学习速率η_i，k，初始化η_i，k＝η₀，n为正整数；

步骤二、计算用户隐特征向量或/和项目隐特征向量在训练时刻t的学习方向；

对于用户隐特征向量P_u，k和项目隐特征向量q_i，k，其在训练时刻t对应的训练数据为r_u，i；P_u，k在训练时刻t的学习方向为