[发明专利]一种层级多粒度矩阵分解的物品推荐方法

摘要

本发明公开了一种层级多粒度矩阵分解的物品推荐方法，由于在推荐系统中，矩阵分解算法是一种将评分矩阵分解为两个低维矩阵的推荐算法，并能够学习到用户偏好和物品特征。但目前的矩阵分解算法及其改进算法都只利用到单个特征向量来表示用户和物品，因此存在预测精度低的问题。针对该技术问题，本发明提出了一种可用于具有用户评分的购买物品推荐的基于深度学习的层级多粒度矩阵分解推荐方法。本发明结合深度学习提取特征的优势，利用多个不同的特征向量来表示同一用户或物品，使得用户的偏好表示更加准确。此外，本发明也克服了现有的基于深度学习的推荐算法仅利用最后一层来做预测，却忽略了神经网络每层特征变换带来的信息损失的技术问题。

主权项

1.一种层级多粒度矩阵分解的物品推荐方法，包括下列步骤：/n步骤1：设置整体评分预测模型：/n所述整体评分预测模型包括用户数据输入层、物品数据输入层、L层的用户特征层、物品特征层和预测评分处理层，以及预测评分输出层；其中L大于或等于2；/n其中，用户特征层1通过公式得到第1层的隐特征向量u₁，f( )表示预设的激活函数，W₁^(u)、分别表示用户特征层1的映射权重和偏置项；I_u表示用户u的输入数据，通过拼接用户u的属性特征向量X_u和用户u的所有评分记录R_u得到；/n用户特征层j通过公式得到第j层的隐特征向量u₁，W_j^(u)、分别表示用户特征层j的映射权重和偏置项，其中j＝2，…，L；/n物品特征层1通过公式得到第1层的隐特征向量v₁，W₁⁽ⁱ⁾、分别表示物品特征层1的映射权重和偏置项；I_i表示物品i的输入数据，通过拼接物品的评分R_i和物品属性特征向量Y_i得到；/n物品特征层j通过公式得到第j层的隐特征向量u₁，W_j⁽ⁱ⁾、分别表示物品特征层j的映射权重和偏置项，其中j＝2，…，L；/n预测评分处理层基于同一层的用户特征层和物品特征层获取不同层的评分预测值/n预测评分输出层综合L层的评分预测值输出每个用户对每个待推荐物品的最终评分预测值/n步骤2：采集训练数据集，对步骤1所设置的整体评分预测模型进行网络参数训练，得到训练好的整体评分预测模型；/n步骤3：基于当前物品集中未被用户评分的物品得到每个用户的待推荐物品集；/n拼接当前用户u的属性特征向量X_u和用户u的所有评分记录R_u，得到用户u的输入数据I_u；并输入训练好的整体评分预测模型的用户特征层1；/n提取并拼接用户u的待推荐物品集中的各物品的评分R_i和物品属性特征向量Y_i，得到物品的输入数据I_i；并输入训练好的整体评分预测模型的物品特征层1；/n基于训练好的整体评分预测模型的预测评分输出层得到用户u对待推荐物品集中的各物品的终评分预测值/n取前T个最高的终评分预测值对应的物品作为当前用户u的物品推荐列表并向用户u进行物品推送处理。/n