[发明专利]基于多维度特征嵌入和特征提取网络的物品推荐方法

权利要求书

1.一种基于多维度特征嵌入和特征提取网络的物品推荐方法，其特征在于，包括如下步骤：

(1)提取用户属性数据和物品属性数据：

(1a)从用户属性数据集中提取M个用户S_U＝{U₁,...,U_m,...,U_M}的属性数据S_H＝{H₁,...,H_m,...,H_M}，每个属性数据H_m包括K₁个属性特征，其中，M≥900，U_m表示第m个用户，H_m表示U_m的属性数据，表示H_m的第k₁个属性特征，K₁表示H_m的属性特征总数，K₁≥3；

(1b)从物品属性数据集中提取N个物品S_V＝{V₁,...,V_n,...,V_N}的属性数据S_I＝{I₁,...,I_n,...,I_N}，每个属性数据I_n包括K₂个属性特征，其中，N≥1000，V_n表示第n个物品，I_n表示V_n的属性数据，表示I_n的第k₂个属性特征，K₂表示I_n属性特征的总数，K₂≥3；

(2)提取用户对物品的隐式评分数据：

从用户对物品的历史评分数据集中提取M个用户中的每个用户U_m对N个物品中的部分物品的共L条隐式评分数据同时记录每条隐式评分数据对应的用户编号Uid_l和物品编号Iid_l，得到用户编号集合S_UID＝{Uid₁,...,Uid_l,...,Uid_L}和物品编号集合S_IID＝{Iid₁,...,Iid_l,...,Iid_L}，其中，L≥100000，表示通过用户U_m对物品V_s评分确定的第l条隐式评分数据，S表示部分物品的个数，S＜N，Uid_l表示对应的用户的编号，Iid_l表示对应的物品的编号；

(3)生成训练样本集与测试样本集：

选取隐式评分数据集合S_Y中每个用户最近一次评价的隐式评分数据，以及所选取的每条隐式评分数据对应的用户的编号和属性特征、物品的编号和属性特征作为测试样本，组成包括M个测试样本的测试样本集，并将S_Y中剩余的P条隐式评分数据，以及剩余的每个隐式评分数据对应的用户的编号和属性特征、物品的编号和属性特征作为训练样本，组成包括P个训练样本的训练样本集，其中，P+M＝L；

(4)构建基于多维度特征嵌入和特征提取网络的物品推荐模型J：

构建包括多维度特征嵌入网络、特征提取网络和物品评分预测网络的物品推荐模型，其中：

多维度特征嵌入网络包括并行排布的用户多维度特征嵌入网络和物品多维度特征嵌入网络；用户多维度特征嵌入网络包括三个并行连接的用户特征嵌入提取分支，每个特征嵌入提取分支包括用户编号信息输入层、特征嵌入层、全连接层和两个激活函数层；物品多维度特征嵌入网络包括三个并行连接的物品特征嵌入提取分支，每个物品特征嵌入提取分支包括物品编号信息输入层、特征嵌入层、全连接层和两个激活函数层；

特征提取网络包括并行排布的属性信息特征提取网络、低阶交互特征提取网络和高阶交互特征提取网络；属性信息特征提取网络包括顺次连接的属性信息输入层、特征嵌入层和激活函数层；低阶交互特征提取网络包括元素积操作层、两个全连接层和两个激活函数层；高阶交互特征提取网络包括外积操作层、多个三维卷积层、全连接层和多个激活函数层；

物品评分预测网络包括拼接层、两个全连接层、输出层和两个激活函数层；

多维度特征嵌入网络的输出端与特征提取网络中的低阶交互特征提取网络和高阶交互特征提取网络的输入端连接，特征提取网络的输出端与物品评分预测网络的输入端连接，得到物品推荐模型J；

(5)对物品推荐模型J进行迭代训练：

(5a)初始化迭代次数为t，最大迭代次数为T，T≥200，当前物品推荐模型为J^t，并令t＝1，J^t＝J；

(5b)将从训练样本集随机且有放回选取的G个训练样本作为物品推荐模型J^t的输入：

(5b1)多维度特征嵌入网络中的用户多维度特征嵌入网络对每个训练样本中用户的三个特征嵌入进行提取，同时多维度特征嵌入网络中的物品多维度特征嵌入网络对每个训练样本中物品的三个特征嵌入进行提取；

(5b2)特征提取网络中的低阶交互特征提取网络对用户的每个特征嵌入与物品的每个特征嵌入进行元素积操作，并对元素积操作得到的九个低阶交互特征向量进行融合，得到低阶交互特征嵌入，同时高阶交互特征提取网络对用户的每个特征嵌入与物品的每个特征嵌入进行两两外积操作，并对外积操作得到的九个二维外积矩阵进行堆叠，得到三维矩阵C，然后对C进行三维卷积得到高阶交互特征嵌入；

(5b3)属性信息特征提取网络提取每个训练样本用户的属性特征和物品的属性特征，组成属性特征嵌入；

(5c)物品评分预测网络对低阶交互特征嵌入、高阶交互特征嵌入和属性特征嵌入进行顺次拼接，并对拼接后的特征嵌入进行特征交互，得到每个训练样本中用户U_a对物品V_b的评分预测值

(5d)采用二分类交叉熵损失函数L_loss，计算每个训练样本的物品评分预测值与其对应的物品评分真实值之间的损失值再采用反向传播方法，通过损失值计算物品推荐模型的网络参数梯度然后采用梯度下降算法，并通过对物品推荐模型J^t的权值参数ω进行更新；

(5e)判断t≥T是否成立，若是，得到训练好的物品推荐模型J^*，否则，令t＝t+1，并执行步骤(5b)；

(6)获取待评分物品的评分预测结果：

将测试样本集作为训练好的物品推荐模型J^*的输入进行前向传播，得到M个测试样本中用户对待评分物品的评分预测值；

(7)获取物品推荐结果：

按照预测值从大到小排序对M个用户对待评分物品的评分预测值进行排序，并为每个用户选择前z个评分预测值对应的待评分物品组成用户的推荐列表。