[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

技術領域

本發明屬于數據挖掘和個性化推薦技術領域，特別是涉及一種協同過濾推薦模型的優化訓練方法。

背景技術

互聯網信息規模的爆炸性增長，帶來信息超載的問題，過量信息同時呈現，使得用戶很難從中篩選出對個人有效的部分，信息利用率反而降低。個性化推薦技術是數據挖掘研究領域的重要分支，目標是通過建立個性化推薦系統來提供“信息找人”的智能服務，以從根本上解決信息超載。

作為推薦產生源，推薦模型是個性化推薦系統中的核心組件，而基于矩陣因式分解的推薦模型因其具備良好的推薦準確率和可擴展性，是一類應用廣泛的推薦模型，目前，個性化推薦技術能夠根據用戶的歷史行為，對用戶和信息的內在聯系進行分析，從而將用戶與其可能會感興趣的信息聯系起來，提供信息找人的智能服務，從而解決信息超載的問題，推薦模型作為推薦系統中的核心部件，是個性化推薦技術領域研究的重點，由于矩陣因式分解推薦模型具備很高的推薦準確率和良好的可擴展性，因而具備廣泛的應用范圍，但是，由于矩陣因式分解推薦模型的訓練過程中，其用戶隱特征和項目隱特征相互依賴，無法進行并行化，從而限制了模型的進一步推廣。

因此在深入研究基于矩陣因式分解的推薦模型訓練過程的基礎上，本領域技術人員致力于開發一種協同過濾推薦模型的優化訓練方法，能夠消除矩陣因式分解推薦模型中的用戶隱特征矩陣和項目隱特征矩陣在訓練過程中的相互依賴關系。

發明內容

有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是提供一種能夠消除矩陣因式分解推薦模型中用戶隱特征矩陣和項目隱特征矩陣在訓練過程中相互依賴的協同過濾推薦模型的優化訓練方法。

通過對矩陣因式分解推薦模型的訓練過程進行分析，確定用戶和項目隱特征在訓練過程中的相互依賴性是由對相應隱特征的狀態值的引用關系導致，因此，通過引入單列隨機梯度下降機制，消除了用戶和項目隱特征在訓練過程中對相應隱特征狀態值的引用，從而消除了用戶隱特征矩陣和項目隱特征矩陣在訓練過程中的相互依賴性，再以此為基礎，對用戶隱特征和項目隱特征的訓練過程進行并行化，達到進一步提升矩陣因式分解協同過濾推薦模型可擴展性的目的，本發明按以下步驟進行：

步驟一、單列用戶隱特征矩陣或/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；通過單列P和Q，使得P、Q在第t輪訓練過程中僅依賴于自身的狀態值和對應隱特征矩陣在第t輪訓練開始前的初始值，因此，對于第t輪訓練過程，P、Q的每一行向量的訓練結果僅依賴于自身的狀態值、對應隱特征向量的初始值和相應訓練數據，P、Q間的相互依賴關系被消除。

步驟二、判斷隱特征矩陣是否收斂；當用戶隱特征矩陣和項目隱特征矩陣收斂時，輸出訓練完成的用戶隱特征矩陣或/和項目隱特征矩陣；當用戶隱特征矩陣或/和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：