[发明专利]基于堆栈降噪编码器改进的协同过滤方法

权利要求书

1.一种基于堆栈降噪编码器改进的协同过滤方法，其特征在于：包括以下步骤：

步骤1：从实例数据集中提取用户的属性信息、项目的属性信息以及用户对项目的评分数据，通过用户的评分数据，建立评分矩阵，即用户评分矩阵；

所述用户的属性信息包括用户的性别，年龄和职业；

所述项目的属性信息包括项目的类型；

步骤2：将所述评分矩阵分为用户交互矩阵和项目得分矩阵，将用户交互矩阵和用户属性信息矩阵拼接后得到用户信息矩阵，将项目得分矩阵和项目属性信息矩阵拼接后得到项目信息矩阵；

所述用户信息矩阵，是对用户的年龄做离散化处理后，得到包括用户年龄，性别，职业的用户属性信息矩阵，再和用户交互矩阵拼接，得到用户的信息矩阵；

所述项目信息矩阵，具体统计每个项目的包含的类型，项目具有该属性则记为1,项目没有该属性则记为0，得到项目属性矩阵，再和项目的得分矩阵拼接，得到项目的信息矩阵；

步骤3：将得到的用户信息矩阵和项目信息矩阵分别输入到两个堆栈降噪自动编码器中，进行特征提取后分别得到用户和项目的隐表示，即用户和项目的低维度特征向量；

所述用户的低维度特征向量，是把用户的信息矩阵输入到堆栈降噪自动编码器中，对其逐层训练，调整参数，利用得到的参数计算第二个隐藏层的输出，即用户的低维度特征向量；

所述项目的低维度特征向量，是把项目的信息矩阵输入到堆栈降噪自动编码器中，对其逐层训练，调整参数，利用得到的参数计算第二个隐藏层的输出，即项目的低维度特征向量；

步骤4：利用用户和项目的低维度特征向量分别计算用户之间的相似度和项目之间的相似度，根据得到的相似度分别对用户相似度和项目相似度做评分预测；

步骤5：使用加权因子的变化控制用户和项目两种评分预测的比重来得到综合的评分预测，根据综合评分预测对项目进行降序排序,将排序后的项目集合中的前n个项目，即top-n推荐给用户。

2.根据权利要求1所述的基于堆栈降噪编码器改进的协同过滤方法，其特征在于：所述步骤4中：

所述利用用户的低维度特征向量计算用户之间的相似度，通过如下相似度计算公式进行计算：

式中，sim(u,v)为用户u和用户v的相似度；和表示用户u和用户v经过栈式降噪自编码器压缩成的s维特征向量；

所述利用项目的低维度特征向量计算项目之间的相似度，通过如下相似度计算公式进行计算：

式中，sim₁(i,j)为项目i和项目j的相似度；和表示项目i和项目j经过栈式降噪自编码器压缩成的t维特征向量；

所述根据得到的用户相似度做评分预测，通过如下的评分预测公式计算：

式中，Q_u为用户u对与项目i的基于用户的评分预测，S(u,K)是和用户u兴趣最相似的K个用户的集合，N(i)是对项目i评分过的用户集合,sim(u,v)是用户u和用户v之间的相似度,是用户u对他评过分的所有项目评分的平均值,r_vi用户v对项目i的评分，是用户v对他评过分的所有项目评分的平均值；

所述根据得到的项目相似度做评分预测，通过如下的评分预测公式计算

式中，Q_I为用户u对与项目i的基于项目的评分预测，S(i,K)是和项目i最相似的项目集合，N(u)是用户u评分过的项目集合,sim(i,j)是项目间的相似度，是项目i的平均分，是项目j的平均分,r_uj用户u对项目j的评分。

3.根据权利要求1所述的基于堆栈降噪编码器改进的协同过滤方法，其特征在于：所述步骤5中：

所述使用加权因子的变化控制两种评分预测的比重来得到综合的评分预测通过如下的公式来计算：

Q＝βQ_u+(1-β)Q_I

式中，Q为用户对项目的综合的评分预测，β∈[0,1]为控制两者预测评分的权重。