[发明专利]融合卷积神经网络和显式反馈的矩阵分解方法、装置及电子设备

权利要求书

1.一种融合卷积神经网络和显式反馈的矩阵分解方法，其特征在于，包括如下步骤：

将物品的用户描述文档表示为词向量矩阵；

将用户对物品的评分集合映射为二进制向量；

将所述词向量矩阵输入卷积注意力神经网络，获取物品的隐含因子，其中，

所述物品的隐含因子V的计算方法如下：

W为所述卷积注意力神经网络的权值和偏置，X为所述物品的描述文档矩阵；

将用户评分信息以及其对应的二进制向量输入堆叠降噪自动编码器，获取用户的隐含因子，其中，所述用户的隐含因子U的计算方法如下：

Y为所述用户的评分信息矩阵，W⁺ⁱ为堆叠降噪自动编码器的权值和偏置；

通过概率矩阵分解交替更新用户隐含因子和物品隐含因子，对所述物品的隐含因子和所述用户的隐含因子求向量内积，得到用户对该物品的预测评分，并根据用户对于该物品的预测评分，建立预测评分矩阵；

根据所述预测评分矩阵与真实评分矩阵之间的损失函数，使用误差反向传播算法，优化所述卷积注意力神经网络和所述堆叠降噪自动编码器的参数，其中，优化参数后的所述预测评分r的计算方法为：

2.根据权利要求1所述的融合卷积神经网络和显式反馈的矩阵分解方法，其特征在于，将物品的用户描述文档表示为词向量矩阵前，还包括如下步骤：

去除所述用户描述文档中频率过高的词汇；

去除所述用户描述文档中频率过低的词汇。

3.根据权利要求1所述的融合卷积神经网络和显式反馈的矩阵分解方法，其特征在于，将用户对物品的评分集合映射为二进制向量前，还包括如下步骤：

去除没有用户描述文档的物品。

4.根据权利要求1所述的融合卷积神经网络和显式反馈的矩阵分解方法，其特征在于，对所述物品的隐含因子和所述用户的隐含因子求向量内积前，还包括如下步骤：

根据物品的评分数量对所述物品赋予不同程度的高斯噪声，其中，评分数量越少，所赋予的高斯噪声越大。

5.一种融合卷积神经网络和显式反馈的矩阵分解装置，其特征在于，包括：

词向量矩阵模块，用于将物品的用户描述文档表示为词向量矩阵；

二进制向量映射模块，用于将用户对物品的评分集合映射为二进制向量；

物品隐含因子获取模块，用于将所述词向量矩阵输入卷积注意力神经网络，

获取物品的隐含因子，其中，所述物品的隐含因子V的计算方法如下：

W为所述卷积注意力神经网络的权值和偏置，X为所述物品的描述文档矩阵；

用户隐含因子获取模块，用于将用户评分信息以及其对应的二进制向量输入堆叠降噪自动编码器，获取用户的隐含因子，其中，所述用户的隐含因子U的计算方法如下

Y为所述用户的评分信息矩阵，W⁺ⁱ为堆叠降噪自动编码器的权值和偏置；

概率矩阵分解模块，用于通过概率矩阵分解交替更新用户隐含因子和物品隐含因子，对所述物品的隐含因子和所述用户的隐含因子求向量内积，得到用户对该物品的预测评分，并根据用户对于该物品的预测评分，建立预测评分矩阵；

优化模块，用于根据所述预测评分矩阵与真实评分矩阵之间的损失函数，使用误差反向传播算法，优化所述卷积注意力神经网络和所述堆叠降噪自动编码器的参数，其中，优化参数后的所述预测评分r的计算方法为：

6.根据权利要求5所述的一种融合卷积神经网络和显式反馈的矩阵分解装置，其特征在于，还包括：

第一预处理模块，用于将物品的用户描述文档表示为词向量矩阵前，去除所述用户描述文档中频率过高的词汇，以及去除所述用户描述文档中频率过低的词汇。

7.根据权利要求5所述的一种融合卷积神经网络和显式反馈的矩阵分解装置，其特征在于，还包括：

第二预处理模块，用于将用户对物品的评分集合映射为二进制向量前，去除没有用户描述文档的物品。