[发明专利]面向隐式推荐的可解释高效自编码器系统及方法

权利要求书

1.一种面向隐式推荐的可解释高效自编码器系统，其特征在于，包括：

模块M1：基于所有用户和所有物品的交互记录建立交互矩阵；

模块M2：对交互矩阵进行预处理得到预处理后的交互矩阵；

模块M3：利用预处理后的交互矩阵对线性编码器模型进行批量并行训练，得到训练后的线性编码器模型；

模块M4：基于用户和物品的交互记录利用训练后的线性编码器模型进行个性化推荐；

所述线性编码器模型是通过对编码器中的输入进行预处理，以及对解码器应用权重矩阵进行分解实现了并行训练，并达到推荐的效果。

2.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，所述步骤S2采用：通过L1归一化以及预设丢弃概率的dropout对输入到编码器中的批量大小的交互记录进行预处理，得到预处理后的交互记录。

3.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，所述线性编码器模型包括编码器和解码器；

所述编码器是基于用户或物品的交互记录，聚合用户或物品的邻居表示得到目标用户或者物品的表示；

所述解码器是利用目标用户或物品的表示和解码器中的物品或者用户参数表示点积，获得预测的交互记录。

4.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，在所述编码器模块中，编码器模块的矩阵表达式为：

Z＝RW₁

其中，Z表示目标用户潜在表示；W₁表示编码器的参数；R表示用户或物品的交互记录矩阵；R的维度是m*n，m表示用户的数量，n表示物品的数量；W₁的维度是n*d,d表示隐藏层的维度。

5.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，在所述解码器模块中，解码器模块的矩阵表达式为：

其中，表示预测的用户交互记录；W₂表示解码器的权重参数，维度是d*n，d表示隐藏层的维度；n表示物品的数量。

6.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，在所述编码器模块中，用户u的交互记录r_u(1*n)经过编码器的编码得到的用户u的潜在表示如下：

z_u＝r_u1W₁[1,:]+r_u2W₁[1,:]+…+r_unW₁[n,:]

其中，W₁[i,:]表示W₁的第i行,中间表示维度为1*d。

7.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，在所述解码器模块中，用户u的潜在表示Z_u经过解码器的解码得到最后的用户u的交互预测如下：

其中，W₂[:,i]表示W₂的第i行列；上标T表示转置。

8.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，采用加权回归损失为交互矩阵中的每个预测分配一个置信度C(m*n)：

其中，F表示Frobenius norm，L是解码器和原始输入R之间的距离损失。

9.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，通过对交互矩阵的行和列同时进行重构并且平均相加设计联合的线性自编码器；

其中，表示基于用户的重构矩阵，表示基于物品的重构矩阵。

10.一种面向隐式推荐的可解释高效自编码器方法，其特征在于，包括：

步骤S1：基于所有用户和所有物品的交互记录建立交互矩阵；

步骤S2：对交互矩阵进行预处理得到预处理后的交互矩阵；

步骤S3：利用预处理后的交互矩阵对线性编码器模型进行批量并行训练，得到训练后的线性编码器模型；

步骤S4：基于用户和物品的交互记录利用训练后的线性编码器模型进行个性化推荐；

所述线性编码器模型是通过对编码器中的输入进行预处理，以及对解码器应用权重矩阵进行分解实现了并行训练，并达到推荐的效果。