[发明专利]一种用户推荐方法

摘要

本申请公开了一种用户推荐方法，具体包括以下步骤：确定自编码器的输入数据；通过一个激活函数将输入数据映射到自编码器的隐含层；将隐含层映射到一个维的重构的向量中；在数据集中训练模型参数，获得用户的预测评分；训练模型参数通过最小化重构误差来进行；其中训练模型参数包括以下步骤：稀疏化自编码器的输入数据；结合数据集的评分数据和显式信任信息进行训练；其中，稀疏化自编码器的输入数据包括以下子步骤：从数据集中的用户‑项目评分矩阵中提取输入向量；将输入向量中的缺失值置0；在自编码器中加入masking噪声；在反向传播之前，将输入向量中的缺失值的误差置0。本申请能够达到提高推荐准确度的效果。

主权项

一种用户推荐方法，其特征在于，具体包括以下步骤：确定自编码器的输入数据x∈RN；通过一个激活函数将输入数据映射到自编码器的隐含层；其中，隐含层表示为：y＝ρ(WTx+b)；其中y表示隐含层的结果，ρ表示激活函数，W表示N×H维的权重矩阵，WT表示权重矩阵W的转置矩阵，b∈RH表示偏置向量，x表示自编码器的输入向量；将隐含层映射到一个N维的重构的向量中，具体表示为：x^=ρ(W′x+b′);]]>其中W′＝W，是tied权重，b′∈RN是偏置向量；在数据集中训练模型参数，获得用户的预测评分；所述训练模型参数通过最小化重构误差来进行，所述重构误差表示为：argminW,W′,b,b′1nΣi=1ml(xi,x^i);]]>其中，m表示用户数量，xi表示自编码器的输入数据，表示对应于输入数据的输出向量，l表示损失函数；其中所述在数据集上训练模型参数包括以下步骤：稀疏化自编码器的输入数据；结合数据集的评分数据和显式信任信息进行训练；其中，所述稀疏化自编码器的输入数据包括以下子步骤：从数据集中的用户‑项目评分矩阵中提取输入向量；将输入向量中的缺失值置0；在自编码器中加入masking噪声，其中损失函数表示为：Lα(x,x′)=α(Σi∈C(x′)[x′^i-xi]2)+(1-α)(Σi∈N(x)[x^i-xi]2);]]>其中，α表示降噪平方误差的调整参数，(1‑α)表示重构平方误差的调整参数，x′表示x∈RN中的破损部分，C(x′)表示x′中破损的元素的集合，N(x)表示x中非破损元素的集合，表示神经网络第i次输出的结果，表示对x′的预测结果；在反向传播之前，将输入向量中的缺失值的误差置0。