[发明专利]基于堆栈降噪编码器改进的协同过滤方法

摘要

本发明提供一种基于堆栈降噪编码器改进的协同过滤方法，涉及推荐系统技术领域，本发明从用户相似性和项目相似性两个维度来做评分预测，使用加权因子的变化控制两种评分预测的比重来得到综合的评分预测，根据综合评分预测对项目进行降序排序,将集合的top‑n推荐给用户，提高了推荐系统的有效性和推荐质量。此外本发明将深度学习中的神经网络模型降噪自动编码器融入到协同过滤中，利用神经网络可以学习到用户和项目的深层次特征，这些特征相比于原数据能够更有效地表达用户和项目的特征，更好地计算用户之间的相似性和项目之间的相似性，从而缓解传统协同过滤中存在的数据稀疏性和冷启动等问题，提高推荐质量。

主权项

1.一种基于堆栈降噪编码器改进的协同过滤方法，其特征在于：包括以下步骤：/n步骤1：从实例数据集中提取用户的属性信息、项目的属性信息以及用户对项目的评分数据，通过用户的评分数据，建立评分矩阵，即用户评分矩阵；/n所述用户的属性信息包括用户的性别，年龄和职业；/n所述项目的属性信息包括项目的类型；/n步骤2：将所述评分矩阵分为用户评分矩阵和项目得分矩阵，将用户评分矩阵和用户属性信息矩阵拼接后得到用户信息矩阵，将项目得分矩阵和项目属性信息矩阵拼接后得到项目信息矩阵；/n所述用户信息矩阵，是对用户的年龄做离散化处理后，得到包括用户年龄，性别，职业的用户属性信息矩阵，再和用户的评分矩阵拼接，得到用户的信息矩阵；/n所述项目信息矩阵，具体统计每个项目的包含的类型，项目具有该属性则记为1,项目没有该属性则记为0，得到项目属性矩阵，再和项目的得分矩阵拼接，得到项目的信息矩阵；/n步骤3：将得到的用户信息矩阵和项目信息矩阵分别输入到两个堆栈降噪自动编码器中，进行特征提取后分别得到用户和项目的隐表示，即用户和项目的低维度特征向量；/n所述用户的低维度特征向量，是把用户的信息矩阵输入到堆栈降噪自动编码器中，对其逐层训练，调整参数，利用得到的参数计算第二个隐藏层的输出，即用户的低维度特征向量；/n所述项目的低维度特征向量，是把项目的信息矩阵输入到堆栈降噪自动编码器中，对其逐层训练，调整参数，利用得到的参数计算第二个隐藏层的输出，即项目的低维度特征向量；/n步骤4：利用用户和项目的低维度特征向量分别计算用户之间的相似度和项目之间的相似度，根据得到的相似度分别对用户相似度和项目相似度做评分预测；/n步骤5：使用加权因子的变化控制用户和项目两种评分预测的比重来得到综合的评分预测，根据综合评分预测对项目进行降序排序,将排序后的项目集合中的前n个项目，即top-n推荐给用户。/n