[发明专利]基于NAG动量优化的隐语义模型优化方法

权利要求书

1.一种基于NAG动量优化的隐语义模型优化方法，包括以下步骤：

(1)给定包含所有用户物品的数据集，生成用户-物品矩阵R，利用奇异值分解将矩阵R分解为用户-隐类矩阵P，隐类-物品矩阵Q，R中元素为r_ui，表示第u个用户对第i个物品的评分，P中元素为p_uf，其中f为隐因子个数，p_uf表示第u个用户对第f个隐因子的评分值，Q中元素表示为q_fi，表示第i个物品在第f个隐因子中的权重；

(2)将矩阵P和矩阵Q中每个元素初始化为随机元素值，每一项元素限值在区间(0，1)中；

(3)定义损失函数Loss；

式中，规定每个用户对他曾经有过行为的物品为正样本，r_ui＝1，反之则为0，λ是正则项系数，λ||p_uf||²+λ||q_fi||²为用来防止过拟合的正则化项；

其特征在于：还包括以下步骤：

(4)通过对损失函数求p_uf和q_fi的偏导数，得到最佳下降方向，即中间动量ΔP、ΔQ；

ΔP_t＝γΔP_t-1-α((r_ui-r^_ui)q_fi^(t)-λ(p_uf^(t)-ξp))

ΔQ_t＝γΔQ_t-1-α((r_ui-r^_ui)p_uf^(t)-λ(q_fi^(t)-ξq))

式中，t为迭代次数，ξp＝βΔP_t-1，ξq＝βΔQ_t-1，二者均为校正因子，冲量γ表示本次迭代接受上次迭代梯度值的程度，β表示对中间动量的引用程度，为了保持下降速度的一致性，预设0≤β＝γ≤1；

(5)将ΔP、ΔQ带入下式，通过迭代获得最佳的p_uf、q_fi值；

p_uf^(t+1)＝p_uf^(t)-ΔP_t

q_fi^(t+1)＝q_fi^(t)-ΔQ_t

(6)定义用户u对物品i的兴趣度Preference(u，i)，将步骤(5)得到的最佳的p_uf、q_fi值带入下式，并以此为基础进行推荐：