[发明专利]一种基于用户偏好的自适应采样方法

摘要

本发明公开一种基于用户偏好的自适应采样方法。该方法根据用户购买记录中反映的用户偏好及BPR模型的特性，自适应的构建三元组训练数据，训练BPR模型。与传统的基于随机采样的训练方法相比，本发明所设计的自适应采用算法，可以加速传统BPR模型的训练收敛，而且根据实际训练过程中，每一轮模型训练中个体模型参数数值变化不大，不足以引起商品排序上的剧烈变化这一实际观察现象，本发明专门设计了减少三元组训练实例构建开销的策略，从而以比传统随机采样增加很小一部分开销为代价，在保证模型预测精确度不下降的同时，极大的加速BPR模型训练的收敛。

主权项

1.一种基于用户偏好的自适应采样方法，其特征在于，包括步骤：S1，以特征学习的方法从用户和商品的属性特征中学习到用户和商品的低秩表达U⁰和V⁰，作为BPR模型的初始参数；S2，根据商品的低秩表达在不同特征维度下对商品进行从大到小排序，得到k个特征维度下的商品排序列表L₁，L₂，...，L_k；S3，根据商品和用户的低秩特征表达向量，计算训练集合中每一用户购买商品记录(u_i，v_p)从属于各特征维度的概率分布p(d|u_i，v_P)，并以0初始化一与低秩特征维数相等长度的计数器数组counts；S4，根据概率分布p(d|u_i，v_p)从低秩特征向量的维度中采样出一特征维度d_z作为相关购买记录从属的特征维度；S5，利用几何分布在商品集合排序空间中以预设概率p(r)采样出一排序序号r；S6，结合特征维度d_z和排序序号r在商品排序列表中取得一商品作为一个可与用户已经购买的商品v_p进行比较且当前用户未曾购买的商品v_q，如果采样得到的商品是用户u_i购买过的商品，重新执行S5‑S6，直到得到的商品是用户u_i没有购买过的商品v_q组成一个三元组(u_i，v_p，v_q)，并让计数器加1；然后重复构建一个三元组集合D_s；S7，用三元组集合D_s训练一轮BPR模型，得到商品和用户的低秩表达矩阵V¹∈R^m×k，U¹∈R^n×k，并以U¹更新U⁰；S8，根据计数器数组counts值计算各特征维度的热门程度，并根据热门程度采样一个特征维度d_h，计算V¹的第d_h列和V⁰的第d_h列的相应向量的相似度若sim≤ρ，0＜ρ＜1，则以V¹的第d_h列更新V⁰的第d_h列，并重新对商品根据特征维度d_h特征值大小进行排序，更新排序列表S9，执行S3～S8，直到U¹和V¹收敛。