[发明专利]基于多任务神经协同过滤网络的物品评分方法

说明书

本发明公开了一种基于多任务神经协同过滤网络的物品评分方法，其实现步骤为：(1)构建特征矩阵；(2)构建用户‑物品评分矩阵；(3)生成训练集；(4)构建多任务神经协同过滤网络；(5)训练多任务神经协同过滤网络；(6)评分。本发明提出的方法能有效解决现有物品评分方法中模型过拟合、泛化能力差导致物品评分准确性不高的问题，并且能够解决用户基本信息与物品属性信息使用不充分导致物品评分个性化不高的问题。

技术领域

本发明属于计算机技术领域，更进一步涉及电子计算机中的一种基于多任务神经协同过滤网络的物品评分方法。本发明可根据用户的个人基本信息、物品的属性信息，以及用户对物品的历史行为数据，得到用户对没有评价过的物品的评分。

背景技术

随着互联网的快速发展与普及，用户规模爆炸增长，物品种类越来越多，带来了严重的信息过载问题，推荐系统是缓解信息过载问题的有效技术手段。物品评分技术是推荐系统中的一个重要任务。物品评分技术首先通过对客观数据和主观数据进行分析和建模，其中用户的性别、年龄、籍贯和物品的生产厂商、类别等客观数据主要用于提取其内容特征和属性特征。用户历史行为数据等主观数据主要用于提取其偏好特征和结构特征，最后使用提取到的特征来预测用户对没有评价过的物品的评分。目前已存在的物品评分方法有很多，其中应用最广泛的是基于矩阵分解的方法。近年来，随着深度学习热潮的又一次来临，物品评分技术不断融入神经网络的技术来提升推荐性能。

吉林大学在其申请的专利文献“一种基于图卷积与神经协同过滤的信息推荐方法”(申请号：201810533975.9，申请公开号：CN 108874914 A)中公开了一种基于图卷积与神经协同过滤的信息推荐方法。该方法的实施步骤是：步骤1，获取用户与物品之间的评分信息以及用户与物品的特征，根据用户与物品之间的评分信息构建用户-物品的评分矩阵；步骤2，、对用户-物品的交互矩阵进行处理，得到用户-用户邻接矩阵以及物品-物品邻接矩阵；步骤3，以用户-用户邻接矩阵与物品-物品邻接矩阵、以及用户与物品的特征为图卷积编码器的输入，通过图卷积编码器计算用户编码矩阵以及计算物品编码矩阵；步骤4，将用户编码矩阵以及计算物品编码矩阵作为神经网络解码器的输入，经过多层神经网络后得到预测的评分矩阵；步骤5，根据得到预测的评分矩阵评分的高低，向用户推送信息。该方法存在的不足之处是，当模型训练数据的数量级较小或训练数据中存在一定噪声时，会过度拟合训练样例中的噪声或没有代表性的特征，网络泛化能力不足，导致评分准确性差的问题。

陕西科技大学在其申请的专利文献“基于矩阵分解协同过滤算法的图书推荐方法及系统”(申请号：201810260195.1，申请公开号：CN 108509573 A)中公开了一种基于矩阵分解协同过滤算法的图书推荐方法。该方法的实施步骤是：步骤1，将用户历史物品评分行为数据的训练集预处理为用户-物品评分矩阵；步骤2，将评分矩阵进行均值归一化处理；步骤3，对归一化处理后的用户-物品评分矩阵分解成用户的特征矩阵以及物品的特征矩阵乘积。步骤4，构造代价函数；步骤5，初始化特征矩阵，利用梯度下降最小化代价函数；步骤6，确定目标函数最优解之后，预测候选推荐物品的评分；步骤7，取评分较高的前k个物品推荐给用户。该方法存在的不足之处是，该方法仅利用用户编号ID和物品编号ID作为模型的输入，用户个人信息与物品属性信息使用不充分，导致物品评分个性化不高的问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多任务神经协同过滤网络的物品评分方法，用于解决现有物品评分方法中存在的模型过拟合、泛化能力差导致物品评分准确性差的问题，以及用户的基本信息与物品的属性信息使用不充分导致物品评分个性化不高的问题。

实现本发明目的的思路是，设计两个辅助任务网络：用户对物品的显式评分网络与隐式评分网络，通过这两个辅助任务协助主任务，并使用加权二分类交叉熵作为主网络的损失函数，实现多评分任务的信息共享，从而有效缓解模型过拟合、泛化能力差的问题；提取训练集数据中的用户特征与物品特征迭代训练多任务神经协同过滤网络，使得用户的基本信息与物品的属性信息得到充分利用，最后将待评分用户特征与待评分物品特征输入到训练好的多任务神经协同过滤网络，得到用户对物品的评分。