[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

说明书

本发明涉及一种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。方法包括如下步骤：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；通过卷积注意力神经网络和堆叠降噪自动编码器分别获取物品和用户的隐含因子；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，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。本发明的融合卷积神经网络和显式反馈的矩阵分解方法可解释性好，能减轻物品冷启动问题，并能改善数据稀疏问题，提高评分预测的准确率。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种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。

背景技术

基于矩阵分解的推荐方法是目前一种常用的基本方法，通过分解给定用户对物品的评分矩阵，用两个低秩矩阵的乘积来逼近原来的评分矩阵，逼近的目标就是使预测的评分矩阵和原来的评分矩阵之间的误差平方最小。两个低秩矩阵分别为用户和物品的特征矩阵，矩阵中的这些特征向量可以简单地理解为用户对不同属性的偏好。与基于内容的过滤方法相比，矩阵分解具有较好的领域适应性，能够处理非结构化的数据，如音乐、视频等。但存在数据稀疏和冷启动问题。这是因为，纯粹的矩阵分解忽略了物品的评论文本和描述文本的隐含特征，使得矩阵分解的预测性能受限。

现有的评分预测将用户对物品的评分信息看作单纯的评分，没有从用户和物品的角度，深入思考用户对不同物品的评分和不同用户对同一物品的评分所蕴含的深层含义，简单的矩阵分解无法添加文本特征，不能深入理解用户对物品的评论文本，因此无法解决冷启动和推荐的可解释性问题。

卷积神经网络可用于提取文本的隐含特征，但是卷积神经网络往往忽略对单一词的特征提取，而且文本中不同词对评分预测的重要性不一，而大部分工作没有考虑不同词对评分预测的差异性。

发明内容

基于此，本发明的目的在于，提供一种融合卷积神经网络和显式反馈的矩阵分解方法，其可解释性好，能有效减轻物品冷启动问题，并能改善数据稀疏问题，提高评分预测的准确率。

本发明融合卷积神经网络和显式反馈的矩阵分解方法是通过如下方案实现的：

一种融合卷积神经网络和显式反馈的矩阵分解方法，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；

将所述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；

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。

本发明所述的融合卷积神经网络和显式反馈的矩阵分解方法，通过卷积注意力神经网络提取物品的隐含因子，通过堆叠降噪自动编码器提取用户的隐含因子，再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，得到预测评分，建立预测评分矩阵，其可解释性好，能有效减轻物品冷启动问题，并能改善数据稀疏问题，提高评分预测的准确率。

在一种实施例中，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。