[發(fā)明專利]光譜協(xié)同濾波推薦系統(tǒng)及其建立方法

在審

• 申請?zhí)枺?/td>: 201910349879.3
• 申請日: 2019-04-28
• 公開（公告）號: CN110188287A
• 公開（公告）日: 2019-08-30
• 發(fā)明（設(shè)計(jì)）人: 陳可佳;曹佳麗;金鑫妍;張麗莎
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F17/14;G06F17/15;G06K9/66
• 代理公司: 南京蘇科專利代理有限責(zé)任公司 32102
• 代理人: 姚姣陽

1.一種光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，主要包括以下步驟：

S1：獲取用戶和項(xiàng)目的數(shù)據(jù)集合；

S2：對所述數(shù)據(jù)集合進(jìn)行預(yù)處理，得到用戶和項(xiàng)目的二部圖；

S3：對所述二部圖進(jìn)行部分屬性加權(quán)，再通過圖傅里葉變換得到新二部圖；

S4：將光譜卷積濾波器放置在所述新二部圖上，以得到新圖形信號；

S5：采用多項(xiàng)式逼近的方法來改進(jìn)所述光譜卷積濾波器，得到最終光譜卷積運(yùn)算；

S6：采用近似卷積運(yùn)算，建立由多層所述最終光譜卷積運(yùn)算疊加而成的推薦系統(tǒng)。

2.根據(jù)權(quán)利要求1所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，步驟S2具體為：

S21：基于所述數(shù)據(jù)集合構(gòu)造以用戶和項(xiàng)目為頂點(diǎn)的二部圖；

S22：根據(jù)所述二部圖中的目標(biāo)頂點(diǎn)對應(yīng)數(shù)據(jù)集合中的每個(gè)頂點(diǎn)的元路徑，計(jì)算元路徑的路徑特征和隨機(jī)游走特征；

S23：根據(jù)所述路徑特征和隨機(jī)游走特征構(gòu)建隱式反饋矩陣；

S24：對所述隱式反饋矩陣進(jìn)行處理，以得到二部圖的鄰接矩陣；

S25：基于所述鄰接矩陣，計(jì)算關(guān)于二部圖的拉普拉斯矩陣。

3.根據(jù)權(quán)利要求1所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，步驟S3具體為：

S31：采用部分屬性加權(quán)的方法處理所述二部圖；

S32：對所述二部圖進(jìn)行圖傅里葉變換及其逆變換，得到已轉(zhuǎn)換到光譜域中的圖形信號，生成新二部圖。

4.根據(jù)權(quán)利要求3所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，步驟S32具體為：

S321：根據(jù)處理所述二部圖得到的頂點(diǎn)集和邊集的特征，得到所述二部圖中所有頂點(diǎn)的狀態(tài)向量；

S322：計(jì)算所述二部圖的拉普拉斯矩陣的特征值；

S323：采用圖傅里葉變換及其逆變換的方法對所述二部圖中所有頂點(diǎn)的狀態(tài)向量進(jìn)行處理，得到已轉(zhuǎn)換到光譜域中的圖形信號；

S324：采用矩陣形式簡化所述已轉(zhuǎn)換到光譜域中的圖形信號；

S325：將所述二部圖中用戶的狀態(tài)向量和項(xiàng)目頂點(diǎn)的狀態(tài)向量帶入步驟S324中，以得到兩種圖形信號并生成新二部圖。

5.根據(jù)權(quán)利要求4所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，步驟S4具體為：

S41：基于在不同的頻域中用戶和項(xiàng)目之間的不同類型的連接信息，建立光譜卷積濾波器；

S42：利用光譜卷積濾波器將所述兩種圖形信號轉(zhuǎn)換成兩種新圖形信號。

6.根據(jù)權(quán)利要求5所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，所述光譜卷積濾波器通過動(dòng)態(tài)地過濾光譜域中的頻率分量，得到兩種新圖形信號。

7.根據(jù)權(quán)利要求5所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，步驟S5具體為：

S51：采用多項(xiàng)式逼近的方法證明全光譜卷積濾波器集合等于有限階多項(xiàng)式集合，得到新光譜卷積濾波器；

S52：將所述兩種新圖形信號通過新光譜卷積濾波器推廣到C個(gè)輸入通道和F個(gè)光譜卷積濾波器中，以得到最終光譜卷積運(yùn)算；

S53：將所述最終光譜卷積運(yùn)算表示為函數(shù)。

8.根據(jù)權(quán)利要求1所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，步驟S6具體為：

S61：將隨機(jī)初始化的用戶向量和項(xiàng)目向量作為輸入，得到K層深度光譜協(xié)同濾波；

S62：基于傳統(tǒng)BPR損耗，得到光譜協(xié)同濾波的損耗函數(shù)；

S63：采用RMSprop算法使所述損耗函數(shù)最小化，并將得到的訓(xùn)練集輸入預(yù)設(shè)的光譜協(xié)同濾波器中進(jìn)行訓(xùn)練，以得到用戶的最終項(xiàng)目推薦；

S64：對所述最終項(xiàng)目推薦進(jìn)行排序。

9.根據(jù)權(quán)利要求8所述的光譜協(xié)同濾波推薦系統(tǒng)的建立方法，其特征在于，所述RMSprop算法是通過將每個(gè)權(quán)重的更新值按梯度范數(shù)的運(yùn)行平均值進(jìn)行縮放。

10.一種光譜協(xié)同濾波推薦系統(tǒng)，其特征在于，主要包括：

數(shù)據(jù)獲取模塊：用于獲取用戶和項(xiàng)目的數(shù)據(jù)集合；

數(shù)據(jù)預(yù)處理模塊：用于對所述數(shù)據(jù)集合進(jìn)行預(yù)處理，以得到用戶和項(xiàng)目的二部圖；

協(xié)同濾波模塊：用于對所述二部圖進(jìn)行部分屬性加權(quán)，再通過圖傅里葉變換得到新二部圖；用于將光譜卷積濾波器放置在所述新二部圖上，得到新圖形信號；用于采用多項(xiàng)式逼近的方法來改進(jìn)所述光譜卷積濾波器，以得到最終光譜卷積運(yùn)算；

訓(xùn)練模塊：用于采用近似卷積運(yùn)算，建立由多層最終所述光譜卷積運(yùn)算疊加而成的推薦系統(tǒng)；

推薦模塊：用于將訓(xùn)練得到的推薦系統(tǒng)對待預(yù)測圖形信號中的用戶向量進(jìn)行項(xiàng)目推薦排序。