[发明专利]基于属性映射和自动编码神经网络的特征矩阵初始化方法

权利要求书

1.基于属性映射和自动编码神经网络的特征矩阵初始化方法，其特征在于：首先进行如下定义：

U为用户集合，I为物品集合，R为用户-物品评分矩阵，P为用户特征矩阵，Q为物品特征矩阵，r_ui表示用户u对物品i的评分；

所述的基于属性映射和自动编码神经网络的特征矩阵初始化方法，包括如下步骤：

步骤1：输入物品属性矩阵A、训练数据、学习率γ和正则化参数λ；

步骤2：利用物品属性矩阵A对物品特征矩阵Q进行初始化；

步骤3：利用自动编码技术对物品特征矩阵Q进行降维；

其中，物品特征矩阵Q表示为{x₁,x₂,…,x_i,…,x_m}；其中，m为物品数量，x_i为物品i的高维特征向量，对于x_i有：

h(x_i；W,b)＝σ(Wx_i+b) (1)；

其中，W是输入层和隐含层的权重，b为输入层的偏置，σ为激活函数；

利用自动编码神经网络降维后的物品特征向量为：

其中，表示降维后的物品i特征向量，作为SVD++模型中物品特征向量q_i的输入；a_j(1≤j≤k)表示第j个特征，k为降维之后的特征维度；

步骤4：随机初始化P、b_u和b_i；

其中，b_u和b_i分别为用户u和物品i的评分偏置；

步骤5：根据预测评分构造损失函数；

首先，利用公式(3)预测用户u对物品i的评分：

其中，p_u和q_i分别为用户u和物品i的特征向量，μ表示平均评分，N_u表示用户u评过分的物品集合，y_j表示隐式反馈向量；

然后，根据预测评分，利用平方差公式构造目标损失函数，如(4)所示：

其中，λ为正则化参数，用于防止过拟合；κ表示评分集合；

步骤6：利用随机梯度下降训练模型，迭代公式如(5)所示：

其中，γ为学习率；

步骤7：判断损失函数是否收敛；

若：判断结果是损失函数收敛，则执行步骤8；

或判断结果是损失函数不收敛，则执行步骤6；

步骤8：输出训练模型；

步骤9：评估训练模型；

步骤10：结束。