[发明专利]一种基于矩阵分解的协同过滤推荐优化算法和装置

说明书

本发明公开了一种基于矩阵分解的协同过滤推荐优化算法和装置，包括基于归一化最小均方的矩阵分解协同过滤推荐算法、基于最大相关熵准则的矩阵分解协同过滤推荐算法和基于自适应矩估计优化的矩阵分解协同过滤算法；本发明将归一化方法应用于FunkSVD算法分别对其用户特征向量和项目特征向量进行归一化，具有更优的推荐性能，具有比传统基于MSE损失函数的推荐算法更优的推荐性能和更好的应对干扰的鲁棒性，且拥有比FunkSVD更快的收敛速度与更好的优化性能。

技术领域

本发明涉及大数据技术领域，尤其涉及一种基于矩阵分解的协同过滤推荐优化算法和装置。

背景技术

近年来，大数据技术已经被广泛应用于电子商务、金融证券、交通旅游和医疗教育等行业。在这个数据爆发的时代，如何从海量数据中甄选出感兴趣的部分，是大数据技术研究的热门话题。协同过滤(CF,collaborative filtering)推荐技术正是在这样的背景下产生的。典型的基于模型的CF推荐是基于矩阵分解的推荐算法，其中最典型的是基于奇异值分解(SVD,singular value decomposition)的推荐算法。

然而，传统的SVD推荐算法是基于最小化均方误差(MSE,mean square error)损失函数和利用随机梯度下降(SGD,stochastic gradient descend)法建立的。不同用户特征向量或项目特征向量的能量将会影响这些SVD推荐算法的性能和稳定性。此外，当系统遭遇异常干扰时，传统的基于MSE损失函数的SVD推荐算法不能保证鲁棒性。再者，利用最传统的SGD方法对用户特征向量和项目特征向量进行更新不能保证推荐性能。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于矩阵分解的协同过滤推荐优化算法和装置。

本发明通过以下技术方案来实现上述目的：

本发明一种基于矩阵分解的协同过滤推荐优化算法，包括基于归一化最小均方的矩阵分解协同过滤推荐算法、基于最大相关熵准则的矩阵分解协同过滤推荐算法和基于自适应矩估计优化的矩阵分解协同过滤算法；

所述基于归一化最小均方的矩阵分解协同过滤推荐算法包括以下步骤：

S1.1：用户对旅游景点的评分数据获取并存储；

S1.2：生成用户-旅游景点评分矩阵；

S1.3：生成随机的用户特征矩阵；

S1.4：生成随机的旅游景点特征矩阵；

S1.5：输入学习率参数；

S1.6：输入正则化参数；

S1.7：迭代计算用户的特征矩阵和项目特征矩阵；

所述基于最大相关熵准则的矩阵分解协同过滤推荐算法包括以下步骤：

S2.1：用户对旅游景点的评分数据获取并存储；

S2.2：生成用户-旅游景点评分矩阵；

S2.3：生成随机的用户特征矩阵；

S2.4：生成随机的旅游景点特征矩阵；

S2.5：输入学习率参数；

S2.6：输入正则化参数；

S2.7：输入核参数；

S2.8：迭代计算用户的特征矩阵和项目特征矩阵；

所述基于自适应矩估计优化的矩阵分解协同过滤算法包括以下步骤：

S3.1：用户对旅游景点的评分数据获取并存储；

S3.2：生成用户-旅游景点评分矩阵；