[发明专利]一种层级多粒度矩阵分解的物品推荐方法

权利要求书

1.一种层级多粒度矩阵分解的物品推荐方法，包括下列步骤：

步骤1：设置整体评分预测模型：

所述整体评分预测模型包括用户数据输入层、物品数据输入层、L层的用户特征层、物品特征层和预测评分处理层，以及预测评分输出层；其中L大于或等于2；

其中，用户特征层1通过公式得到第1层的隐特征向量u₁，f( )表示预设的激活函数，W₁^(u)、分别表示用户特征层1的映射权重和偏置项；I_u表示用户u的输入数据，通过拼接用户u的属性特征向量X_u和用户u的所有评分记录R_u得到；

用户特征层j通过公式得到第j层的隐特征向量u₁，W_j^(u)、分别表示用户特征层j的映射权重和偏置项，其中j＝2，…，L；

物品特征层1通过公式得到第1层的隐特征向量v₁，W₁⁽ⁱ⁾、分别表示物品特征层1的映射权重和偏置项；I_i表示物品i的输入数据，通过拼接物品的评分R_i和物品属性特征向量Y_i得到；

物品特征层j通过公式得到第j层的隐特征向量u₁，W_j⁽ⁱ⁾、分别表示物品特征层j的映射权重和偏置项，其中j＝2，…，L；

预测评分处理层基于同一层的用户特征层和物品特征层获取不同层的评分预测值

预测评分输出层综合L层的评分预测值输出每个用户对每个待推荐物品的最终评分预测值

步骤2：采集训练数据集，对步骤1所设置的整体评分预测模型进行网络参数训练，得到训练好的整体评分预测模型；

步骤3：基于当前物品集中未被用户评分的物品得到每个用户的待推荐物品集；

拼接当前用户u的属性特征向量X_u和用户u的所有评分记录R_u，得到用户u的输入数据I_u；并输入训练好的整体评分预测模型的用户特征层1；

提取并拼接用户u的待推荐物品集中的各物品的评分R_i和物品属性特征向量Y_i，得到物品的输入数据I_i；并输入训练好的整体评分预测模型的物品特征层1；

基于训练好的整体评分预测模型的预测评分输出层得到用户u对待推荐物品集中的各物品的终评分预测值

取前T个最高的终评分预测值对应的物品作为当前用户u的物品推荐列表并向用户u进行物品推送处理。

2.如权利要求1所述的方式，其特征在于，预测评分输出层拼接L个评分预测值作为评分预测模型的输入数据I，基于多层感知机模型得到最终评分预测值

3.如权利要求1所述的方式，其特征在于，预测评分输出层将L个评分预测值的均值作为最终评分预测值

4.如权利要求1所述的方式，其特征在于，预测评分输出层将L个评分预测值的累加值作为最终评分预测值

5.如权利要求1所述的方式，其特征在于，预测评分输出层基于预设的权重，将L个评分预测值的加权求和值作为最终评分预测值

6.如权利要求5所述的方法，其特征在于，从第1层到第L层，按照权值逐层递增的方式设置各个预测值的权重，且L个预测值的权重的和为1。

7.如权利要求1所述的方法，其特征在于，将层数L的取值设置为6。