[發明專利]融合卷積神經網絡和顯式反饋的矩陣分解方法、裝置及電子設備

有效

• 申請號: 201811453628.1
• 申請日: 2018-11-30
• 公開（公告）號: CN109800853B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 曾碧卿;商齊
• 申請（專利權）人: 華南師范大學
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 廣州駿思知識產權代理有限公司 44425
• 代理人: 吳靜芝

1.一種融合卷積神經網絡和顯式反饋的矩陣分解方法，其特征在于，包括如下步驟：

將物品的用戶描述文檔表示為詞向量矩陣；

將用戶對物品的評分集合映射為二進制向量；

將所述詞向量矩陣輸入卷積注意力神經網絡，獲取物品的隱含因子，其中，

所述物品的隱含因子V的計算方法如下：

W為所述卷積注意力神經網絡的權值和偏置，X為所述物品的描述文檔矩陣；

將用戶評分信息以及其對應的二進制向量輸入堆疊降噪自動編碼器，獲取用戶的隱含因子，其中，所述用戶的隱含因子U的計算方法如下：

Y為所述用戶的評分信息矩陣，W⁺ⁱ為堆疊降噪自動編碼器的權值和偏置；

通過概率矩陣分解交替更新用戶隱含因子和物品隱含因子，對所述物品的隱含因子和所述用戶的隱含因子求向量內積，得到用戶對該物品的預測評分，并根據用戶對于該物品的預測評分，建立預測評分矩陣；

根據所述預測評分矩陣與真實評分矩陣之間的損失函數，使用誤差反向傳播算法，優化所述卷積注意力神經網絡和所述堆疊降噪自動編碼器的參數，其中，優化參數后的所述預測評分r的計算方法為：

2.根據權利要求1所述的融合卷積神經網絡和顯式反饋的矩陣分解方法，其特征在于，將物品的用戶描述文檔表示為詞向量矩陣前，還包括如下步驟：

去除所述用戶描述文檔中頻率過高的詞匯；

去除所述用戶描述文檔中頻率過低的詞匯。

3.根據權利要求1所述的融合卷積神經網絡和顯式反饋的矩陣分解方法，其特征在于，將用戶對物品的評分集合映射為二進制向量前，還包括如下步驟：

去除沒有用戶描述文檔的物品。

4.根據權利要求1所述的融合卷積神經網絡和顯式反饋的矩陣分解方法，其特征在于，對所述物品的隱含因子和所述用戶的隱含因子求向量內積前，還包括如下步驟：

根據物品的評分數量對所述物品賦予不同程度的高斯噪聲，其中，評分數量越少，所賦予的高斯噪聲越大。

5.一種融合卷積神經網絡和顯式反饋的矩陣分解裝置，其特征在于，包括：

詞向量矩陣模塊，用于將物品的用戶描述文檔表示為詞向量矩陣；

二進制向量映射模塊，用于將用戶對物品的評分集合映射為二進制向量；

物品隱含因子獲取模塊，用于將所述詞向量矩陣輸入卷積注意力神經網絡，

獲取物品的隱含因子，其中，所述物品的隱含因子V的計算方法如下：

W為所述卷積注意力神經網絡的權值和偏置，X為所述物品的描述文檔矩陣；

用戶隱含因子獲取模塊，用于將用戶評分信息以及其對應的二進制向量輸入堆疊降噪自動編碼器，獲取用戶的隱含因子，其中，所述用戶的隱含因子U的計算方法如下

Y為所述用戶的評分信息矩陣，W⁺ⁱ為堆疊降噪自動編碼器的權值和偏置；

概率矩陣分解模塊，用于通過概率矩陣分解交替更新用戶隱含因子和物品隱含因子，對所述物品的隱含因子和所述用戶的隱含因子求向量內積，得到用戶對該物品的預測評分，并根據用戶對于該物品的預測評分，建立預測評分矩陣；

優化模塊，用于根據所述預測評分矩陣與真實評分矩陣之間的損失函數，使用誤差反向傳播算法，優化所述卷積注意力神經網絡和所述堆疊降噪自動編碼器的參數，其中，優化參數后的所述預測評分r的計算方法為：

6.根據權利要求5所述的一種融合卷積神經網絡和顯式反饋的矩陣分解裝置，其特征在于，還包括：

第一預處理模塊，用于將物品的用戶描述文檔表示為詞向量矩陣前，去除所述用戶描述文檔中頻率過高的詞匯，以及去除所述用戶描述文檔中頻率過低的詞匯。

7.根據權利要求5所述的一種融合卷積神經網絡和顯式反饋的矩陣分解裝置，其特征在于，還包括：

第二預處理模塊，用于將用戶對物品的評分集合映射為二進制向量前，去除沒有用戶描述文檔的物品。