[发明专利]基于属性映射和自动编码神经网络的特征矩阵初始化方法

摘要

本发明公开了一种基于属性映射和自动编码神经网络的特征矩阵初始化方法，属于个性化推荐领域，本申请首先获取物品属性并构建物品属性矩阵，然后利用物品属性种类来确定物品特征矩阵的维度，同时使用物品属性矩阵对物品特征矩阵初始化，既避免通过多次实验选择维度，又提高了收敛效率；针对传统矩阵分解利用随机值初始化的方法精度低，效率差且可解释性不强的问题，本申请利用物品属性矩阵的值对特征矩阵进行初始化，通过属性映射机制拟合评分矩阵得到物品特征向量，提高了收敛效率；当属性种类较多时，特征矩阵维度较大，本申请使用自动编码技术对使用物品属性矩阵初始化后的特征矩阵进行降维，降低了算法的复杂度。

主权项

1.基于属性映射和自动编码神经网络的特征矩阵初始化方法，其特征在于：首先进行如下定义：U为用户集合，I为物品集合，R为用户‑物品评分矩阵，P为用户特征矩阵，Q为物品特征矩阵，r_ui表示用户u对物品i的评分；所述的基于属性映射和自动编码神经网络的特征矩阵初始化方法，包括如下步骤：步骤1：输入物品属性矩阵A、训练数据、学习率γ和正则化参数λ；步骤2：利用物品属性矩阵A对物品特征矩阵Q进行初始化；步骤3：利用自动编码技术对物品特征矩阵Q进行降维；其中，物品特征矩阵Q表示为{x₁,x₂,…,x_i,…,x_m}；其中，m为物品数量，x_i为物品i的高维特征向量，对于x_i有：h(x_i；W,b)＝σ(Wx_i+b)          (1)；其中，W是输入层和隐含层的权重，b为输入层的偏置，σ为激活函数；利用自动编码神经网络降维后的物品特征向量为：其中，表示降维后的物品i特征向量，作为SVD++模型中物品特征向量q_i的输入；a_j(1≤j≤k)表示第j个特征，k为降维之后的特征维度；步骤4：随机初始化P、b_u和b_i；其中，b_u和b_i分别为用户u和物品i的评分偏置；步骤5：根据预测评分构造损失函数；首先，利用公式(3)预测用户u对物品i的评分：其中，p_u和q_i分别为用户u和物品i的特征向量，μ表示平均评分，N_u表示用户u评过分的物品集合，y_j表示隐式反馈向量；然后，根据预测评分，利用平方差公式构造目标损失函数，如(4)所示：其中，λ为正则化参数，用于防止过拟合；κ表示评分集合；步骤6：利用随机梯度下降训练模型，迭代公式如(5)所示：其中，γ为学习率；步骤7：判断损失函数是否收敛；若：判断结果是损失函数收敛，则执行步骤8；或判断结果是损失函数不收敛，则执行步骤6；步骤8：输出训练模型；步骤9：评估训练模型；步骤10：结束。