[发明专利]一种基于神经网络的K近邻矩阵分解推荐方法

权利要求书

1.一种基于神经网络的K近邻矩阵分解推荐方法，其特征在于，该方法包括：

步骤S1、从网站中获取数据集，选取所述数据集中的若干个用户以及若干个项目，根据所述若干个用户和所述若干个项目组成初始矩阵；

步骤S2、使用RBF神经网络对所述初始矩阵的部分空缺值进行预测填充，以降低所述初始矩阵的稀疏度；

步骤S3、对于目标用户使用KNN算法计算在S2步骤中得出的初始矩阵中找到K个最近邻居用户，同理对于目标项目也找到K个最近邻居项目，根据该K个最近邻居用户和所述K个最近邻居项目构建评分矩阵；

步骤S4、对所述评分矩阵进行矩阵分解，U矩阵代表目标用户的特征，V矩阵代表目标项目的特征，隐语义特征U、V，增加分解的可解释性；

步骤S5、将所述评分矩阵的行列式乘上1/k作为评分标准，给定推荐阈值，判定是否给予推荐。

2.如权利要求1所述的基于神经网络的K近邻矩阵分解推荐方法，其特征在于，该方法还包括对所述初始矩阵的预处理步骤，该预处理步骤包括：

将所述若干用户中用户稀疏度大于99.5％的用户删除，其中，该用户稀疏度a的计算公式如下：

a＝1-用户评过分的项目数/总的项目数；

将所述若干项目中没有任何评分的项目删除。

3.如权利要求1或2所述的基于神经网络的K近邻矩阵分解推荐方法，其特征在于，该方法还包括对于所述初始矩阵的归一化处理，该归一化处理用于将评分值统一映射到[0,1]的区间上，具体通过计算公式如下：

其中，y表示初始的项目评分值，y_min表示原始项目数据的下界评分值，y_max表示原始数据的上界评分值，Y表示归一化后的数据。

4.如权利要求3所述的基于神经网络的K近邻矩阵分解推荐方法，其特征在于，所述步骤S2具体包括：

S201、将具有多个共同评分项目的用户向量归一化后作为RBF神经网络的输入，确定神经网络的输入层的数目；RBF神经网络对大规模数据训练速度快，选取局部最优而不是全局最优，防止过拟合；

S202、随机选取一批中心节点，采取无监督的梯度下降法，负反馈更新中心节点，最终确定隐含层中心节点数目；

S203、隐含层神经元核函数是高斯函数，对输入信息进行空间映射的变换，输出层使用的是线性加权函数；

S204、对神经网络的输出进行反归一化处理，得到[0,5]范围内的预测评分；

S205、使用训练好的神经网络填补空缺值，无法预测的空值用权利要求1中计算的均值填充，构成新的评分矩阵稀疏度降低到接近0。

5.如权利要求4所述的基于神经网络的K近邻矩阵分解推荐方法，其特征在于，

中心、宽度和调节权重参数均通过学习来自适应调节到最佳值，迭代计算如下：

W_kj(t)为第k个输出神经元与第j个隐含层神经元之间在第t次迭代计算时的调节权重；

C_pq(t)为第p个隐含层神经元对于第q个输入神经元在第t次迭代计算时的中心分量；

d_ij(t)为与中心C_pq(t)对应的径向宽度；

η为学习因子；

E为RBF神经网络评价函数：

其中,为第k个输出神经元在第l个输入样本时的期望输出值；为第k个输出神经元在第l个输入样本时的网络输出值。

6.如权利要求1所述的基于神经网络的K近邻矩阵分解推荐方法，其特征在于，所述的步骤S3包括：

将上述新的评分矩阵按行切分组成用户向量，按列切分组成项目向量，新的目标用户i向量与用户向量求相似性，新的目标项目j与目标用户求相似性，对相似性用户向量和项目向量排序分别求前K个值，这K个用户向量和K个项目向量组成又一新的评分矩阵；其中相似性计算方法如(2)式所示：

其中，xi表示i(j)向量中的元素值，yi表示用户(项目)向量中对应的元素值，Sim表示计算出的相似值。