[发明专利]一种基于lambdaMart的神经协同过滤模型推荐方法

权利要求书

1.一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述方法包括以下步骤：

S1：输入用户信息，所述用户信息包括用户基本信息和电影评论信息，所述电影评论信息包括已评分电影信息和未评分电影信息；

S2：嵌入层将用户信息映射为用户特征向量，将电影评论信息映射为电影特征向量；

S3：将用户特征向量、电影特征向量输入到神经协同过滤模型中，提取高阶特征信息，同时提取排序信息；

S4：对高阶特征信息和排序信息进行处理获得推荐结果并输出。

2.根据权利要求1所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述用户基本信息包括年龄、性别、职业、邮编，所述已评分电影信息和未评分电影信息均包括电影名、电影ID、上映日期、电影类型信息。

3.根据权利要求1所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S2具体包括：

S21：对用户基本信息和电影评论信息中的用户ID进行提取并且映射为用户特征向量；

S22：对已评分电影信息和未评分电影信息中的电影ID进行提取并且映射为电影特征向量。

4.根据权利要求3所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S3中提取高阶特征信息，具体包括：

S31：将用户特征向量、已评分电影信息和未评分电影信息特征向量拼接成新的向量；

S32：将上一步骤拼接获得的向量输入神经协同过滤模型的MLP层计算高阶特征信息的计算公式为：

其中，P∈R^M×K表示用户特征矩阵，Q∈R^N×K表示物品特征矩阵，K表示隐空间的维度，P^T、Q^T表示矩阵P、Q的转置，分别表示用户特征向量和电影特征向量，Θ_f表示交互函数的模型参数。

5.根据权利要求4所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S3中提取排序信息，具体包括：

S33：假设任意用户u在已评分电影p与未评分电影n同时存在的情况下选择了已评分电影p,认为p排序在n前面，表示为三元组(u,p,n)，所有(u,p,n)的集合表示为D，u代表用户u对应的所有商品的全序关系，优化目标是最大化后验概率p(θ|＞u),最终的最大对数后验估计函数公式为：

其中,为在模型参数θ下求最大化后验概率p,ln表示以常数e为底的自然对数函数,x_up、x_un分别表示用户u特征向量、已评分电影p特征向量和未评分电影n特征向量相乘，意义是用户u对电影p和电影n的偏好关系，σ表示sigmoid激活函数,λ为正则化参数λ||θ||²是正则项,通过梯度上升法来求解最大化后验概率

S34：通过将与1作差转化为求最小化LMartloss，构造函数计算LMartloss，表示为：

6.根据权利要求5所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，所述步骤S4中对高阶特征信息和排序信息进行处理获得推荐结果并输出,具体包括：

S41：将来自LMart层的排序信息和MLP层的特征信息拼接形成新的向量，加权输出，通过sigmoid激活函数对输出结果进行处理得到预测值0或者1，预测值表达式为：

其中h^T表示嵌入层权重矩阵的转置。

7.根据权利要求6所述的一种基于lambdaMart的神经协同过滤模型推荐方法，其特征在于，通过减小预测值与真实属性值的交叉熵来迭代更新模型参数,更新模型参数表达式为：

其中,y_upn是真实属性值,是预测值,D表示使用的数据集，通过L的大小判断推荐的准确度，L越大表示推荐的结果越准确、L越小表示推荐结果不准确。