[發明專利]基于二次函數表示用戶偏好的推薦方法及系統

有效

• 申請號: 201510348728.8
• 申請日: 2015-06-23
• 公開（公告）號: CN104965896B
• 公開（公告）日: 2018-10-02
• 發明（設計）人: 劉俊濤;孫立杰;鄧德位;王軍偉;黃友澎
• 申請（專利權）人: 中國船舶重工集團公司第七0九研究所
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 武漢河山金堂專利事務所(普通合伙) 42212
• 代理人: 胡清堂

1.一種基于二次函數表示用戶偏好的推薦方法，其特征在于，其包括如下步驟：

S1、從在線服務商處獲取用戶對物品的評分記錄，其中評分記錄為評分矩陣R，在評分矩陣R中的每一個元素r_i,j表示用戶i對物品j的評分；在用戶i沒有對物品j評分時，指示矩陣I中的元素I_i,j＝0，在用戶i對物品j做出評分時，I_i,j＝1；

S2、通過隨機梯度下降法優化目標函數學習用戶條件偏好；

S21、初始化用戶條件偏好及物品特征：對每一個用戶i隨機生成用戶條件偏好U_i、u_i和B_i中的每一個元素；對每一個物品j隨機生成物品特征v_j和b_j中的每一個元素；

S22、檢查收斂條件，當迭代次數達到預設次數或目標函數的值不再減小時跳轉到步驟S23，否則跳轉到步驟S3；

優化目標函數如下：

其中表示預測的用戶評分；||·||_F為F-范數；函數連續可導，用于度量用戶真實評分和預測評分之間的差異，λ_U、λ_u、λ_B、λ_v、λ_b為正規化參數；

S23、隨機選擇觀察到的評分：在觀察到的評分矩陣R中隨機選擇一個非空的元素r_i,j；

S24、計算梯度：通過優化目標函數，對每一個用戶i計算用戶條件偏好U_i、u_i和B_i的梯度，計算方法如下：

通過優化目標函數，對每一個物品j計算物品特征v_j和b_j的梯度，計算方法如下：

S25、更新用戶條件偏好和物品特征：對每一個用戶i更新用戶條件偏好U_i、u_i和B_i，更新方法如下：

U_i←U_i-ηΔU_i

u_i←u_i-ηΔu_i

B_i←B_i-ηΔB_i

對每一個物品j，更新物品特征v_j和b_j，更新方法如下：

v_j←v_j-ηΔv_j

b_j←b_j-ηΔb_j

其中，η為學習率；

跳轉到步驟S22；

S3、根據步驟S2中學習的用戶條件偏好通過二次函數生成物品推薦列表，對每一個用戶i，計算該用戶對所有沒有評分的物品j的評分預測值，計算方法為：對排序，得到對用戶i的推薦列表，其中U_i為D×D的實對稱矩陣，D為特征維數，u_i是1×D的行向量，B_i是一個實數；U_i、u_i和B_i表示了用戶的條件偏好；v_j是1×D的行向量，b_j是一個實數，v_j和b_j表示了物品j的特征。

2.如權利要求1所述的基于二次函數表示用戶偏好的推薦方法，其特征在于，學習率η為0.08。

3.如權利要求1所述的基于二次函數表示用戶偏好的推薦方法，其特征在于，正規化參數λ_U、λ_u、λ_B、λ_v、λ_b的取值均為0.0002。

4.如權利要求1所述的基于二次函數表示用戶偏好的推薦方法，其特征在于，特征維數D的取值為16或32。

5.一種基于二次函數表示用戶偏好的推薦系統，其特征在于，其包括如下模塊：

信息收集模塊，用于從在線服務商處獲取用戶對物品的評分記錄，其中評分記錄為評分矩陣R，在評分矩陣R中的每一個元素r_i,j表示用戶i對物品j的評分；在用戶i沒有對物品j評分時，指示矩陣I中的元素I_i,j＝0，在用戶i對物品j作出評分時，I_i,j＝1；

學習模塊，用于通過隨機梯度下降法優化目標函數學習用戶條件偏好；

初始化單元，用于初始化用戶條件偏好及物品特征：對每一個用戶i隨機生成用戶條件偏好U_i、u_i和B_i中的每一個元素；對每一個物品j隨機生成物品特征v_j和b_j中的每一個元素；

判斷單元，用于檢查收斂條件，當迭代次數達到預設次數且目標函數的值不再減小時啟動計算單元的功能，否則啟動列表生成模塊的功能；

優化目標函數如下：

其中表示預測的用戶評分；||·||_F為F-范數；函數連續可導，用于度量用戶真實評分和預測評分之間的差異，λ_U、λ_u、λ_B、λ_v、λ_b為正規化參數；

選擇單元，用于隨機選擇觀察到的評分：在觀察到的評分矩陣R中隨機選擇一個非空的元素r_i,j；

計算單元，用于計算梯度：通過優化目標函數，對每一個用戶i計算用戶條件偏好U_i、u_i和B_i的梯度，計算方法如下：

通過優化目標函數，對每一個物品j計算物品特征v_j和b_j的梯度，計算方法如下：

更新單元，用于更新用戶條件偏好和物品特征：對每一個用戶i更新用戶條件偏好U_i、u_i和B_i，更新方法如下：

U_i←U_i-ηΔU_i

u_i←u_i-ηΔu_i

B_i←B_i-ηΔB_i

對每一個物品j，更新物品特征v_j和b_j，更新方法如下：

v_j←v_j-ηΔv_j

b_j←b_j-ηΔb_j

其中，η為學習率；

啟動判斷單元的功能；

列表生成模塊，用于根據學習模塊中學習的用戶條件偏好通過二次函數生成物品推薦列表。