[发明专利]一种协同过滤物品推荐方法

权利要求书

1.一种协同过滤物品推荐方法，其特征在于，该方法包括如下步骤：

步骤1：建立m×n用户-物品评分矩阵A

步骤2：学习n×n物品-物品相似度矩阵W

步骤3：将矩阵W分解为矩阵P和矩阵Q

步骤4：根据如下公式预测用户u对物品j的评分：

其中，β_j为物品j的偏差，为用户u点击、购买过物品的集合，α为权重因子，P_j′为物品j′的潜在向量，P_i为物品i的潜在向量，i为用户u最近点击、购买的一个物品，Q_j为物品j的潜在向量，η和η_u分别为全局权重向量和个性化权重向量，θ_u为用户u的视觉因子向量，E为嵌入矩阵，将深度卷积神经网络特征空间嵌入到视觉空间，β′为视觉偏差向量，f_j为物品j的深度卷积神经网络视觉特征向量；

步骤5：使用训练集训练模型，然后在测试集上检验推荐的准确度。

2.如权利要求1所述的一种协同过滤物品推荐方法，其特征在于，所述步骤2中，学习n×n物品-物品相似度矩阵W的过程为将下式最小化：

从而满足w_j≥0，w_j,j＝0；

其中w_j是矩阵W的第j列，a_j是矩阵A的第j列，“‖‖₂”是向量的L2范数，‖w_j‖₁等于

3.如权利要求1或2所述的一种协同过滤物品推荐方法，其特征在于，所述步骤4中，f_j是用应用了深度卷积神经网络架构的Caffe模型得到的。

4.如权利要求1或2所述的一种协同过滤物品推荐方法，其特征在于，所述步骤5中，训练模型使用的方法是随机梯度下降法,检验指标为AUC值。