[发明专利]一种协同过滤推荐模型中调整学习速率的方法

摘要

本发明公开了一种协同过滤推荐模型中调整学习速率的方法，属于数据挖掘和个性化推荐技术领域，通过增大该隐特征向量对应的学习速率来提高收敛速度，通过缩小该隐特征向量对应的学习速率，从而提高推荐准确率，本发明能够使推荐模型的准确率及收敛速度达到一个较好的平衡状态，使推荐模型的训练过程得到优化。

主权项

1.一种协同过滤推荐模型中调整学习速率的方法，其特征在于按以下步骤进行：步骤一、定义并计算学习速率放大比例因子和缩小比例因子；建立学习速率与用户隐特征向量的对应关系、建立学习速率与项目隐特征向量的对应关系；设定学习速率的放大比例因子α；通过sigmoid函数定义0＜η₀＜1；设定学习速率的缩小比例因子β，β＝α^-1；设定用户隐特征向量为P，P为m×f的矩阵，m为用户数，f为隐特征向量空间的维数，P_u，k是P中第u行、第k列的元素；对于所有的P_u，k{1≤u≤m,1≤k≤f}建立学习速率η_u，k，初始化η_u，k＝η₀，m、f均为正整数；设定项目隐特征向量为Q，Q为n×f的矩阵，n为项目数，f为隐特征向量空间的维数，q_i，k是Q中第i行、第k列的元素；对于所有的q_i，k{1≤i≤n，1≤k≤f}建立学习速率η_i，k，初始化η_i，k＝η₀，n为正整数；步骤二、计算用户隐特征向量或/和项目隐特征向量在训练时刻t的学习方向；对于用户隐特征向量P_u，k和项目隐特征向量q_i，k，其在训练时刻t对应的训练评分数据为r_u，i；P_u，k在训练时刻t的学习方向为du,kt=(ru,i-⟨put-1,qit-1⟩)·qi,kt-1-λ·pu,kt-1,t]]>t为正整数；q_i，k在训练时刻t的学习方向为di,kt=(ru,i-⟨put-1,qit-1⟩)·qu,kt-1-λ·pi,kt-1;]]>是P_u对应的用户隐特征向量在训练时刻t-1结束后的状态值；是q_i对应的项目隐特征向量在训练时刻t-1结束后的状态值；和是P_u，k和q_i，k分别在训练时刻t-1结束后的状态值；λ为规约因子；步骤三、使用确定性步进调整方法调整学习速率；用户隐特征向量P_u，k在训练时刻t+1时的学习方向为项目隐特征向量q_i，k在训练时刻t+1时的学习方向为计算或/和du,kt+1=(ru,i-⟨put,qit⟩)·qi,kt-λ·pu,kt;]]>di,kt+1=(ru,i-⟨put,qit⟩)·qu,kt-λ·pi,kt;]]>判断或/和的乘积符号；当时，使用学习速率放大比例因子α对η_u，k进行放大：ηu,kt+1=ηu,kt·α;]]>当时，使用学习速率缩小比例因子β对η_u，k进行缩小：ηu,kt+1=ηu,kt·β;]]>是η_u，k在训练时刻t的状态值，是η_u，k在训练时刻t+1的状态值；当时，使用学习速率放大比例因子α对η_i，k进行放大：当时，使用学习速率缩小比例因子β对η_i，k进行缩小：是η_i,k在训练时刻t的状态值，是η_i,k在训练时刻t+1的状态值。