[发明专利]一种基于用户评分分解的推荐系统

权利要求书

1.基于用户评分分解的推荐系统，其特征在于，包括数据预处理模块、矩阵分解模块、评分预测模块和协同推荐模块，各模块的工作流程如下：

数据预处理模块：

获取用户对商品的评分信息，构建用户-商品评分矩阵表R并存储，其中用户-商品评分矩阵表R的每一行代表一位用户的信息，每一列代表一件商品的信息，表中元素代表各用户对各商品的评分r_ui，下标u为用户标识符、i为商品标识符；

矩阵分解模块：

基于用户-商品评分矩阵表R的用户数量、商品数量，随机初始化C个带有偏置项的矩阵分解模型其中α＝1，…，C，用户-偏好矩阵X^(α)的每一行代表一位用户的偏好特征信息，每一列代表不同用户对同一偏好的特征信息；商品-属性矩阵Y^(α)的每一行代表的同一商品的属性特征信息，每一列代表不同商品的同一属性的特征信息；分别表示模型Θ^α中各用户的偏置项，各商品的偏置项；

根据第一目标函数对C个矩阵分解模型Θ^α进行训练，得到训练后的矩阵分解模型Θ^α、权重数据表W^(α)并存储，所述权重数据表W^(α)为训练过程中得到的每个评分r_ui的最终分解权重；

所述第一目标函数为：

其中表示在模型Θ^α中对评分r_ui的分解权重，且e为自然底数，表示在矩阵分解模型Θ^α中用户u对商品i的预测评分，且表示矩阵X^(α)中用户u所在行构成的用户u的偏好向量，表示矩阵Y^(α)中商品i所在行构成的商品i的属性向量，λ表示正则化参数；x^*，y^*，b^*分别表示当第一目标函数取最小值时所对应的C个参量符号(·)^T表示矩阵转置；

且采用随机梯度下降的方式对第一目标函数进行求解，求解时对参量的迭代更新为：

其中，γ表示学习速率，当满足迭代收敛条件时，得到第一目标函数的求解结果；

每次完成对参量的迭代更新后，首先根据公式计算当前预测评分再根据公式计算当前分解权重并保存；

由每次迭代更新后得到的分解权重的累加和得到分解权值和根据归一化公式得到归一化后的分解权重并作为每个评分r_ui的最终分解权重；

评分预测模块：

基于权重数据表W^(α)将用户-商品评分矩阵表R拆分为C个与矩阵表R规格相同的矩阵R^(α)；

根据第二目标函数对C个矩阵分解模型Θ^α进行再训练，得到训练后的矩阵分解模型Θ^α，基于当前矩阵分解模型Θ^α，根据得到当前预测评分并将C个当前预测评分的和作为用户对商品的最终预测评分由所有最终预测评分构成用户-商品评分预测表并存储；

所述第二目标函数为：

其中，拆分后的分解评分表示评分r_ui的最终分解权重；分别表示当第二目标函数取最小值时所对应的C个参量

且采用随机梯度下降的方式对第二目标函数进行求解，求解时对参量的迭代更新为：

其中，当满足迭代收敛条件时，得到第二目标函数的求解结果；

协同推荐模块：

基于用户-商品评分预测表在每个用户未购买的商品中，由前N个最大最终预测评分构成每个用户的用户推荐商品列表并存储；在需要向用户推荐商品时，根据存储的用户推荐商品列表予以推荐。

2.如权利要求1所述的系统，其特征在于，基于预设的用户推荐商品列表的更新周期T，周期调用所述数据预处理模块、矩阵分解模块、评分预测模块和协同推荐模块重新计算用户推荐商品列表并更新存储。

3.如权利要求1所述的系统，其特征在于，数据预处理模块、矩阵分解模块、评分预测模块在得到处理结果时，不进行本地存储，而直接将处理结果发送给需要的模块。

4.如权利要求1所述的系统，其特征在于，矩阵X^(α)、矩阵Y^(α)的初始化方式为：用均值为0，方差为1的高斯分布随机初始化矩阵X^(α)和矩阵Y^(α)中的每一个元素。