[发明专利]一种图构建与L1正则矩阵分解联合学习的推荐方法

摘要

本发明公开了一种图构建与L1正则矩阵分解联合学习的推荐方法，包括以下步骤（1）根据用户评分数据建立评分矩阵；（2）在L1正则矩阵分解模型的基础上，把图边权作为未知变量嵌入到目标函数中，从而建立新的模型；（3）基于评分或标签或主题模型计算物品间的初始相似度，用图来刻画相似度，得到初始图边权；（4）随机初始化分解模型中待求解的隐语义特征向量；（5）基于初始图边权，使用OWL‑QN算法自适应地更新分解模型中的参数；（6）得到完整的评分矩阵，并根据评分矩阵为用户提供推荐。本发明可以通过联合学习获得有效的图边权和隐语义特征向量，进而获得好的预测表现。

主权项

一种图构建与L1正则矩阵分解联合学习的推荐方法，其特征在于，包括如下步骤：步骤1，根据用户对物品的评分数据，构建评分矩阵，其中，评分矩阵的行数为用户总数，列数为物品总数；步骤2，在L1正则矩阵分解模型的基础上，将图边权作为未知变量嵌入到该模型的目标函数中，建立新的分解模型；新的分解模型为：minP,Q,SΣu=1mΣi=1nIui(rui-puTqi)2+λ1(Σu=1m||pu||1+Σi=1n||qi||1)+λ2Σi=1nΣj∈N(i)sij||qi-qj||2+λ3Σi=1nΣj∈N(i)sijlnsij]]>s.t.Σj=1ksij=1,i=1,...,n]]>sij≥0,j∈N(i)其中，m表示用户总数，n表示物品总数，当用户u对物品i进行了评分行为，那么Iui表示为1，否则Iui表示为0；rui表示用户u对物品i的评分值，pu、qi、qj分别为用户u、物品i、物品j的隐语义特征向量，pu表示矩阵P的第u个列向量，qi表示矩阵Q的第i个列向量，且评分矩阵R＝PTQ，λ1、λ2表示正则化参数，λ3控制图边权的光滑性，N(i)表示物品i的近邻集合，k表示物品i的近邻个数，sij表示物品i与物品j之间的相似度，即图边权；S表示物品间相似度矩阵；||||1表示1范数，||||表示2范数；步骤3，基于标签或评分或主题空间计算物品间的初始相似度，并用图来刻画初始相似度，得到初始图边权；步骤4，随机初始化新的分解模型中待求解的用户u、物品i的隐语义特征向量pu、qi以及物品i与物品j之间的相似度sij；步骤5，基于初始图边权，利用OWL‑QN算法自适应更新新的分解模型中的参数pu、qi、sij，得到完整的评分矩阵，根据完整的评分矩阵为用户进行物品推荐。