[發明專利]基于半離散矩陣分解的物品推薦方法

有效

• 申請號: 202010344347.3
• 申請日: 2020-04-27
• 公開（公告）號: CN111552852B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 鄔俊;羅芳媛;張雨佳
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F16/906
• 分類號: G06F16/906;G06F16/9536;G06Q30/06
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

1.一種基于半離散矩陣分解的物品推薦方法，其特征在于，包括：

構建用戶-物品評分矩陣R，用于記錄用戶對物品的評分行為；

根據用戶-物品評分矩陣R訓練矩陣分解模型，獲得用戶的實值特征矩陣P和物品的實值特征矩陣Q；

根據用戶的實值特征矩陣P對用戶執行聚類分析，獲得用戶的錨點特征矩陣E，根據物品的實值特征矩陣Q對物品執行聚類分析，獲得物品的錨點特征矩陣F；

根據R、P、Q、E、F訓練半離散矩陣分解模型，獲得用戶的二值編碼矩陣B和物品的二值編碼矩陣D；

根據用戶的二值編碼矩陣B和物品的二值編碼矩陣D還原評分矩陣

根據R將中已觀測評分位置的預估值置0，根據評分矩陣將預測分值最高的前設定數量個物品推薦給相應用戶；

所述的構建“用戶-物品”評分矩陣R，用于記錄用戶對物品的評分行為，包括：

構建“用戶-物品”評分矩陣R∈[0，1]^m×n，用于記錄用戶對物品的評分行為，其中m、n分別表示用戶、物品的數量，并對“用戶-物品”評分矩陣R中的評分數據進行歸一化處理，所述物品包括產品或者服務；

所述的根據“用戶-物品”評分矩陣R訓練矩陣分解模型，獲得用戶的實值特征矩陣P和物品的實值特征矩陣Q，包括：

根據“用戶-物品”評分矩陣R訓練矩陣分解模型，獲得用戶的實值特征矩陣和物品的實值特征矩陣P的第u列表示用戶u的特征向量，Q的第i列表示物品i的特征向量，其中f為特征空間維數；

所述的根據用戶的實值特征矩陣P對用戶執行聚類分析，獲得用戶的錨點特征矩陣E，根據物品的實值特征矩陣Q對物品執行聚類分析，獲得物品的錨點特征矩陣F，包括：

根據用戶的實值特征矩陣P對用戶執行聚類分析，獲得用戶的錨點特征矩陣根據物品的實值特征矩陣Q對物品執行聚類分析，獲得物品的錨點特征矩陣E的第u列表示用戶u所在群組的簇中心，F的第i列表示物品i所在群組的簇中心，所述簇中心為錨點特征；

所述的根據R、P、Q、E、F訓練半離散矩陣分解模型，獲得用戶的二值編碼矩陣B和物品的二值編碼矩陣D，包括：

所述半離散矩陣分解模型的目標函數定義如下：

其中表示損失項，和分別為“點級”和“組級”平滑項，用于異構空間下的特征表示對齊，用于保持原向量空間中“用戶-用戶”、“物品-物品”之間幾何結構；

損失項定義如下：

s.t.B∈{±1}^f×m，D∈{±1}^f×n

其中Ω是由已觀測評分對應的(u，i)索引組成的集合；

“點級”平滑項定義為：用于控制同一個用戶、物品的二值編碼與其對應的實值特征之間的差異，據此實現異構空間下的表示對齊；

“組級”平滑項定義為：用于控制用戶、物品的二值編碼與其對應的錨點特征之間的差異，據此保持原向量空間中數據點間的拓撲結構，即原空間中處于同一群組的用戶或物品應該具有相似的二值編碼；

正則項定義為：用于控制編碼平衡，以期最大化編碼的信息熵；

合并整理各項后，半離散矩陣分解模型的最終目標函數表示如下：

其中，α₁，α₂，β₁，β₂，γ＞0為超參數，1_m，1_n表示m，n維全1向量；

所述半離散矩陣分解模型的訓練過程包括如下步驟：

S41：模型初始化；將P和Q進行二值量化，作為半離散矩陣分解模型的目標變量的初始值：B＝sgn(P)和D＝sgn(Q)；

S42：進入迭代訓練過程，固定D，更新B；當固定D時，半離散矩陣分解模型的目標函數等價于如下優化問題：

其中Ω_u表示已觀測評分對應的(u，i)索引對中u所構成的集合；

采用離散坐標下降算法對b_u進行逐位更新；設其中b_uk表示b_u的第k位，表示除b_uk以外其余二值編碼所組成的向量；類似的，具體b_uk的更新規則如下：

當a≠0時，K(a，b)＝a，否則K(a，b)＝b；如果不對b_uk進行更新；

S43：固定B，更新D；當固定B時，半離散矩陣分解模型的目標函數等價于如下優化問題：

其中Ω_i表示已觀測評分對應的(u，i)索引對中i所構成的集合；采用離散坐標下降算法對d_i進行逐位更新；具體d_ik的更新規則如下：

同樣，如果更新d_ik，否則，不對d_ik進行更新；

S44：重復S42到S43，直到滿足迭代停止條件，模型收斂，輸出所述半離散矩陣分解模型的參數B和D。

2.根據權利要求1所述的方法，其特征在于，所述的迭代停止條件包括：目標函數值小于預設定閾值，或B和D的每一位都不再發生變化。