[發(fā)明專利]一種評(píng)分分布預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201910181625.5
• 申請(qǐng)日: 2019-03-11
• 公開（公告）號(hào): CN109872006A
• 公開（公告）日: 2019-06-11
• 發(fā)明（設(shè)計(jì)）人: 張恒汝;秦琴;徐媛媛;閔帆
• 申請(qǐng)（專利權(quán)）人: 西南石油大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q30/02;G06F17/15;G06F17/16
• 代理公司: 濟(jì)南信達(dá)專利事務(wù)所有限公司 37100
• 代理人: 李世喆

1.一種評(píng)分分布預(yù)測(cè)方法，其特征在于，包括：

S1：構(gòu)建目標(biāo)函數(shù)，其中，所述目標(biāo)函數(shù)包括：用于描述兩評(píng)分潛在因子向量間相關(guān)性的符號(hào)函數(shù)，和，用于計(jì)算兩評(píng)分潛在因子向量間距離的距離函數(shù)；

S2：確定當(dāng)前次迭代時(shí)的第一評(píng)分潛在因子矩陣；

S3：根據(jù)所述第一評(píng)分潛在因子矩陣計(jì)算下一次迭代時(shí)的第二評(píng)分潛在因子矩陣；

S4：將所述第二評(píng)分潛在因子矩陣代入所述目標(biāo)函數(shù)，并基于預(yù)設(shè)的訓(xùn)練集，求解所述目標(biāo)函數(shù)的一階導(dǎo)數(shù)；

S5：判斷所述一階導(dǎo)數(shù)在所述第二評(píng)分潛在因子矩陣處的F范數(shù)的值，是否小于預(yù)設(shè)的終止閾值，若是，執(zhí)行S6，否則，將所述第二評(píng)分潛在因子矩陣再次作為當(dāng)前次迭代時(shí)的評(píng)分潛在因子矩陣，并執(zhí)行S2；

S6：根據(jù)所述第二評(píng)分潛在因子矩陣，獲得待預(yù)測(cè)樣本的評(píng)分分布預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述符號(hào)函數(shù)包括：

其中，

所述距離函數(shù)包括：

其中，θ為c列m行的評(píng)分潛在因子矩陣，c為評(píng)分個(gè)數(shù)，m為特征個(gè)數(shù)，θ_ik為θ中第i行第k列的數(shù)值，θ_jk為θ中第j行第k列的數(shù)值。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，

所述目標(biāo)函數(shù)包括：

其中，t(θ)為函數(shù)組合，λ₁為預(yù)設(shè)系數(shù)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，

所述函數(shù)組合包括：

其中，x為n行m列的樣本特征矩陣，d為n行c列的樣本評(píng)分矩陣，n為樣本個(gè)數(shù)，d_ij為d中第i行第j列的數(shù)值，x_ik為x中第i行第k列的數(shù)值，λ₂為預(yù)設(shè)系數(shù)，||θ||_F為θ的F范數(shù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述S1包括：根據(jù)樣本對(duì)應(yīng)的真實(shí)評(píng)分分布和樣本對(duì)應(yīng)的預(yù)測(cè)評(píng)分分布，構(gòu)建用于計(jì)算真實(shí)評(píng)分分布和預(yù)測(cè)評(píng)分分布之間差距的第一函數(shù)；

根據(jù)用于描述兩評(píng)分潛在因子向量間相關(guān)性的符號(hào)函數(shù)，以及根據(jù)用于計(jì)算兩評(píng)分潛在因子向量間距離的距離函數(shù)，構(gòu)建用于描述評(píng)分間相關(guān)性的距離映射函數(shù)；

根據(jù)所述第一函數(shù)、正則項(xiàng)和所述距離映射函數(shù)，構(gòu)建第二函數(shù)；

控制所述預(yù)測(cè)評(píng)分分布滿足最大熵模型，以對(duì)所述第二函數(shù)進(jìn)行簡(jiǎn)化處理，從而得到目標(biāo)函數(shù)。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述S3，包括：

確定當(dāng)前次迭代時(shí)的擬合矩陣；

確定當(dāng)前次迭代時(shí)的一階導(dǎo)數(shù)，其中，所述當(dāng)前次迭代時(shí)的一階導(dǎo)數(shù)為，將所述第一評(píng)分潛在因子矩陣代入所述目標(biāo)函數(shù)，并基于所述訓(xùn)練集，而求得的所述目標(biāo)函數(shù)的一階導(dǎo)數(shù)；

根據(jù)所述擬合矩陣和所述當(dāng)前次迭代時(shí)的一階導(dǎo)數(shù)，計(jì)算當(dāng)前次迭代時(shí)的搜索方向；

根據(jù)所述搜索方向，確定當(dāng)前次迭代時(shí)的搜索步長(zhǎng)；

根據(jù)所述第一評(píng)分潛在因子矩陣、所述搜索方向和所述搜索步長(zhǎng)，計(jì)算下一次迭代時(shí)的第二評(píng)分潛在因子矩陣。