[发明专利]结合评论文本挖掘的个性化推荐算法

权利要求书

1.一种结合评论文本挖掘的个性化推荐算法，包括：

利用传统的隐语义模型获取用户特征P_u；

其中，将原始评分矩阵分解后获取用户特征，并用于算法后期的评分预测，原始的评分矩阵R分解为两个低秩矩阵相乘R＝PQ；

其中P∈R^m×F，Q∈R^F×n，

对于每个用户u，令P_u＝(P_u1，P_u2，…，P_uF)表示用户与隐因子的关联程度；

对于每个项目i，令Q_i＝(Q_i1，Q_i2，…，Q_iF)表示项目与因子的关联程度；

用户对项目的总体兴趣度定义为：

学习模型中的P_u，Q_i，通过最小化损失函数来近似估计，具体表示为：

式中：λ是正则化项参数，用来防止过拟合；y_u，i代表真实评分；

利用堆栈降噪自动编码器获取项目特征Qi；

其中，基于堆栈降噪自动编码器的项目特征的提取包括以下步骤：

步骤一、将每个商品的评论整合为一个文档，经过TF-IDE处理后，采用词袋模型表示为项目的内容向量，作为SDAE的输入数据；

步骤二、采用逐层贪心算法对DAE进行预训练，得到SDAE网络权重，预训练完成后，将DAE展开得到SDAE的网络结构；

步骤三、使用BP算法优化网络，采用梯度下降算法进行微调；

基于堆栈降噪自动编码器的项目特征的提取具体过程为：

对输出层n_l的每一个神经元i，误差公式为：

对于隐藏层l＝n_l-1，n_l-2，n_l-3，...2，其损失表达为：

式中：f′(z_i^(l))＝a_i^(l)(1-a_i^(l))；i，j分别代表隐含层l的第i个节点和隐含层l+1的第j个节点，1＜j≤S_l；

对损失函数求偏导：

式中R(W，b；x，y)为输入输出的均方误差函数；

参数更新：

式中：α为学习率，在本算法中使用4层DAE堆叠展开形成SDAE，每层的输出维度分别为1000、200、40和8，每层的降噪参数均为0.95，训练时的学习率为0.01

将用户特征P_u和项目特征Qi输入多层感知器来预测评分

其中，采用了多层感知器学习用户与项目的非线性关系，进行评分预测，具体为：将用户特征P_u与项目特征Qi连接，作为多层感知器的输入X_u，i，定义为：

x_u，i＝concatation(P_u，Q_i)；

对多层感知器网络进行逐层训练，则网络的输出表示为

式中：W、b、f分别表示权重矩阵、偏置、激活函数，选取了relu函数作为训练的激活函数，采用Adma算法进行优化，使用排名目标来学习算法的参数，根据贝叶斯个性化排序算法，目标函数表示为：

式中：λ_Δ是正则化参数以防止过度拟合，Ψ表示训练实例，通过最小化BPR损失，正确预测交互之间的相对顺序，而不是优化评分。