[發明專利]一種融合視覺特征和用戶評分的圖像推薦方法

有效

• 申請號: 201711330059.7
• 申請日: 2017-12-13
• 公開（公告）號: CN107944035B
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 薛峰;孫健;陳思洋;路強;余燁
• 申請（專利權）人: 合肥微木秉智科技有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q30/06;G06K9/46
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種融合視覺特征和用戶評分的圖像推薦方法，其特征是按如下步驟進行：

步驟1、通過網絡爬蟲從網站上爬取物品圖像集P和相應的物品評分數據集Q；

步驟2、從所述物品圖像集P中提取出N幅物品圖像，從相應的物品評分數據集Q中提取出M個用戶對N幅物品圖像的評價信息，從而得到M個用戶對N幅物品圖像的評分矩陣所述評分矩陣Y中任意用戶u對任意物品圖像i的評分記為y_ui，若y_ui＝1表示用戶u評價了物品圖像i對應的物品，y_ui＝0表示用戶u未評價物品圖像i對應的物品；

步驟3、對所述N幅物品圖像進行歸一化處理得到圖像集C；

步驟4、利用卷積神經網絡CNN對所述圖像集C中的N幅圖像分別進行特征提取，得到N幅圖像的視覺特征矩陣其中，T表示每幅圖像的視覺特征的維度，每一列向量表示圖像i所對應的視覺特征向量；

步驟5、利用式(1)建立預測偏好模型：

式(1)中，表示用戶u的潛在特征向量，K表示潛在特征維度，表示轉化矩陣，用于將圖像i的視覺特征向量f_i轉化為嵌入向量；Ef_i表示圖像i的潛在特征向量，表示預測的用戶u對圖像i的偏好；

步驟6、利用基于元素的交替最小二乘法更新所述預測偏好模型；

步驟6.1、利用式(2)得到損失函數L：

式(2)中，y表示在評分矩陣Y中有評價過的物品圖像集合，w_ui表示在評分矩陣Y中任意用戶u對任意物品圖像i評分的權重，表示剔除轉化矩陣E中第k行向量后，任意用戶u對任意物品圖像i的偏好，且p_uk表示用戶u的潛在特征向量p_u的第k維值；c_i表示在評分矩陣Y中未被評價過的物品圖像i的權重，λ表示L2正則化的參數，表示轉化矩陣E中第k行向量；

步驟6.2、定義循環變量為α，并初始化α＝0；定義最大循環次數為α_max；利用標準正態分布隨機初始化第α次循環的預測偏好模型參數其中，表示第α次循環的用戶u的潛在特征向量，E_α表示第α次循環的轉化矩陣；

步驟6.3、利用式(3)更新第α次循環時用戶u的潛在特征向量p_u的第k維值

式(3)中，表示第α次循環時轉化矩陣E中第k行向量，y_u表示在評分矩陣Y中用戶u評價過的物品圖像集合；

步驟6.4、采取逐元素的更新策略，利用式(4)更新第α次循環時轉化矩陣E_α中第k行向量的第j維值

式(4)中，f_ij表示視覺特征矩陣F中物品圖像i的第j維特征值，表示在第α次循環時轉化矩陣E_α的第k行向量中，剔除視覺特征矩陣F中物品圖像i的第j維值后的潛在特征值；在第α次循環時剔除轉化矩陣E中第k行向量后，任意用戶u對任意物品圖像i的偏好；

步驟6.5、將α+1賦值給α，并判斷α＞α_max是否成立，若成立，則表示獲得最優預測偏好模型參數否則，返回步驟6.3執行；

步驟7、根據所述最優預測偏好模型參數利用式(5)預測得到用戶u對所有物品圖像的偏好集合

式(5)中，表示第α_max次循環時轉化矩陣，表示第α_max次循環時用戶u的潛在特征向量；

步驟8、對所述用戶u對所有物品圖像的偏好集合中的偏好值進行降序排序，并選取前top個偏好值所對應的物品圖像推薦給用戶u。