[发明专利]一种基于社交用户多交互信息的协同过滤物品推荐方法

权利要求书

1.一种基于社交用户多交互信息的协同过滤物品推荐方法，其特征在于：包括如下步骤：

S100：选用公开用户社交关系数据库，数据库中的数据包括每种物品的用户购买记录、每种物品的用户好友购买记录、每种物品的用户评价记录、每种物品的用户好友评价记录和每种物品的用户评分；

S200：通过每种物品的用户购买记录和每种物品的用户评价记录，建立用户-物品交互向量，具体表达式如下：

其中，x_ia表示用户-物品交互向量，e_i表示物品嵌入向量，e_r表示评分嵌入向量；

根据评分嵌入向量以及用户嵌入向量通过公式(2-2)得到物品-用户交互向量，其中，物品-用户交互向量表示如下：

其中，v_ji表示物品-用户交互向量，e_u表示用户嵌入向量；

S300：利用用户-物品交互向量x_ia，通过公式(3-1)计算用户-物品动态权重，具体表达式如下：

其中，a_ia表示用户-物品动态权重，W₁，b₁，b₂分别表示深度学习中的特定参数，x_ia表示用户-物品交互向量，p_i表示目标用户的购买需求，其中，p_i的定义如下：

其中，e_u表示用户嵌入向量；

通过用户好友购买记录建立用户-社交好友交互向量具体表达式如下：

其中σ表示非线性激活函数，W，b分别表示深度学习中的特定参数，a_ia表示用户-物品动态权重，x_ua表示社交好友-物品交互向量，f_v表示非线性激活函数，e_ui表示用户好友购买过的物品嵌入向量，e_r表示评分嵌入向量；

利用用户-社交好友交互向量通过公式(3-4)计算用户-社交好友动态权重，具体表达式如下：

其中，β_iu是用户-社交好友动态权重，W₁，b₁，b₂分别表示深度学习中的特定参数，表示用户-社交好友交互向量，p_i表示目标用户的购买需求；

利用不同好友用户对同一物品的购买评价记录和物品-用户交互向量v_ji，通过公式(3-5)计算物品-用户动态权重，具体表达式如下：

其中，μ_ji是物品-用户动态权重，W₁，b₁，b₂分别表示深度学习中的特定参数，v_ji表示物品-用户交互向量，q_j表示目标物品；

其中，q_j的定义如下：

其中，e_i表示物品嵌入向量；

S400：根据用户-物品交互向量x_ia和用户-物品动态权重a_ia计算用户-物品潜因子向量，具体表达式如下：

其中，表示用户-物品潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，a_ia表示用户-物品动态权重参数，x_ia表示用户-物品交互向量；

根据用户-社交好友交互向量和用户-社交好友动态权重参数β_iu计算用户-好友潜因子向量，具体表达式如下：

其中，表示用户-好友潜因子向量，σ表示非线性激活函数，W，b表示深度学习中的特定参数，β_iu表示用户-社交好友权重参数，表示用户-社交好友交互向量；

S500：利用用户-物品潜因子向量和用户-好友潜因子向量计算得到用户潜因子向量，具体表达式如下：

其中表示用户-物品潜因子向量，表示用户-好友潜因子向量，表示全连接操作，⊙表示点积操作；

S600：利用物品-用户交互向量v_ji和物品-用户动态权重μ_ji通过公式(6-1)计算物品-用户潜因子向量，具体表达式如下：

其中，z_j表示物品-用户潜因子向量，μ_ji表示物品-用户动态权重，q_j表示目标物品；

S700：利用用户-物品潜因子向量和物品-用户潜因子向量z_j计算物品潜因子向量，具体表达式如下：

S800：将用户潜因子向量和物品潜因子向量进行整合，得到预测向量G₁，具体表达式如下：

S900：利用预测向量G₁，计算物品预测评分，表达式如下：

r′_ij＝MLP(G₁)(9-1)；

S1000：预设最大迭代次数，将数据集所有物品信息数据作为输入，重复S200-S900对公式(9-1)进行训练，使用误差函数通过反向传播对公式(9-1)进行参数更新，当训练达到最大迭代次数时停止，最终得到训练好的模型公式；

S1100：将待测物品的数据信息作为输入，通过公式(9-1)计算得出待测物品的预测得分，将得分最高的待测物品作为最终的推荐结果。