[发明专利]一种协同过滤物品推荐方法

说明书

一种协同过滤物品推荐方法，包括以下步骤：步骤1：建立m×n用户‑物品评分矩阵A，m为用户数量，n为物品数量；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；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。本发明能够克服稀疏性问题，并更准确地为用户推荐物品。

技术领域

本发明涉及个性化物品推荐领域，具体涉及一种协同过滤物品推荐方法。

背景技术

在协同过滤物品推荐中，为了预测用户下一步将购买什么物品，需要同时考虑长期和短期动态。现有的将矩阵分解和马尔科夫链结合的方法FPMC遇到了稀疏性问题，而且没有考虑到物品外观特征。

发明内容

为了克服现有协同过滤推荐方法面临的稀疏性问题和未利用物品外观特征的缺点，本发明提出了一种协同过滤推荐方法，克服了稀疏性问题，还利用了物品的外观特征，能更准确地为用户推荐物品。

本发明解决其技术问题所采用的技术方案是：

一种协同过滤物品推荐方法，包括以下步骤：

步骤1：建立m×n用户-物品评分矩阵A，m为用户数量，n为物品数量；

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(标量)，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。

进一步，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

更进一步，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。

更进一步，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。

本发明的有益效果为：结合基于相似度的模型和马尔科夫链，克服了稀疏性问题，还利用了物品的外观特征，能更准确地为用户推荐物品。

附图说明

图1是本发明提出的一种协同过滤推荐方法的框图；

图2是步骤3矩阵分解示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

参照图1和图2，一种协同过滤物品推荐方法，包括以下步骤：