[發明專利]一種協同過濾推薦模型的優化訓練方法

有效

• 申請號: 201210389800.8
• 申請日: 2012-10-15
• 公開（公告）號: CN102930341A
• 公開（公告）日: 2013-02-13
• 發明（設計）人: 羅辛;夏云霓
• 申請（專利權）人: 羅辛;夏云霓
• 主分類號: G06N5/00
• 分類號: G06N5/00
• 代理公司: 重慶市前沿專利事務所 50211
• 代理人: 郭云

1.一種協同過濾推薦模型的優化訓練方法，其特征在于按以下步驟進行：

步驟一、單列用戶隱特征矩陣和項目隱特征矩陣；

對于需要構造的矩陣因式分解推薦模型，將其用戶隱特征矩陣P或/和項目隱特征矩陣Q單列；

步驟二、判斷隱特征矩陣是否收斂；當用戶隱特征矩陣或項目隱特征矩陣未收斂時，執行步驟三。

步驟三、構造基于單列隨機梯度下降的用戶隱特征向量或/和項目隱特征向量訓練過程；

根據單列的用戶隱特征矩陣和項目隱特征矩陣，對矩陣因式分解推薦模型的隱特征矩陣訓練過程進行分解，得到用戶隱特征矩陣訓練過程或/和項目隱特征矩陣訓練過程的兩個訓練子過程；在訓練時刻t時，對于用戶隱特征矩陣P中第u行的向量P_u，其基于單列隨機梯度下降的訓練過程為：

Put=ck·put-1+ηΣk=1McM-k[ru,k-⟨put-1,qkt-1⟩]·qkt-1,]]>M為P_u對應的訓練樣本個數，M為正整數，k為用戶隱特征矩陣系統學習訓練樣本的次序，1≤k≤M，η為學習速率，c為學習過程規約系數，c＝1-η·λ，λ為學習過程規范化因子，r_u,k為P_u對應的第k個訓練樣本；在訓練時刻t時，對于項目隱特征矩陣Q中的第i行向量q_i，其基于單列隨機梯度下降的訓練過程為：qit=ck·qit-1+ηΣh=1HcH-h[rh,i-⟨qit-1,pht-1⟩]·pht-1,]]>H為q_i對應的訓練樣本個數，H為正整數，h為項目隱特征矩陣系統學習訓練樣本的次序，1≤h≤H，r_h,i為q_i對應的第h個訓練樣本；

2.如權利要求1所述的一種協同過濾推薦模型的優化訓練方法，其特征在于：在所述步驟三之后還包括并行訓練用戶隱特征矩陣或/和項目隱特征矩陣的步驟；

并行訓練用戶隱特征矩陣按以下步驟進行：

A1、根據派發空間Z和訓練樣本集合R，依次將用戶隱特征矩陣P中的第m行向量及其對應的訓練樣本派發至對應的訓練節點S₁，直到P_z為派發到訓練節點S₁的隱向量集合，R_p表示戶隱特征向量所對應的訓練樣本；

A2、派發過程完成后，對所有的用戶隱特征向量進行并行訓練；并行訓練項目隱特征矩陣按以下步驟進行：

B1、根據派發空間Z和訓練樣本集合R，依次將項目隱特征矩陣Q中的第n行向量及其對應的訓練樣本派發至對應的訓練節點S₂，直到Q_z為派發至節點S₂的隱向量集合，R_q表示項目征矩陣向量所對應的訓練樣本；

B2、派發過程完成后，對所有的項目隱特征向量進行并行訓練。