[發明專利]一種基于對抗矩陣分解的協調過濾卷積神經網絡推薦系統及方法

有效

• 申請號: 202110744530.7
• 申請日: 2021-07-01
• 公開（公告）號: CN113486257B
• 公開（公告）日: 2023-07-11
• 發明（設計）人: 陳建峽;高奕;劉琦;張杰;汪弘揚;潘立緯;鄭吟秋
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N3/0464;G06N3/094
• 代理公司: 深圳紫晴專利代理事務所(普通合伙) 44646
• 代理人: 付欽偉

1.一種基于對抗矩陣分解的協調過濾卷積神經網絡推薦系統，其特征在于，所述基于對抗矩陣分解的協調過濾卷積神經網絡推薦系統包括：

嵌入層，包含兩個嵌入方程，分別用于輸出兩個大小為64的表示用戶和物品的向量，并將用戶、物品的嵌入向量送入外積層；

外積層，用于將用戶、物品的嵌入向量進行外積得到用戶-物品交互圖，利用所述用戶-物品交互圖表示基于嵌入層且成對的維數關系；

卷積層，用于基于用戶-物品交互圖輸出表示高緯度的信息的張量，并將輸出的張量輸出預測層；

預測層，用于利用預測函數基于輸入張量進行預測，得到預測分數；

所述將用戶、物品的嵌入向量進行外積得到用戶-物品交互圖包括：

將用戶嵌入向量與物品嵌入向量進行外積，得到交互矩陣

E中的第(k₁,k₂)個元素也就是：

對E中所有成對的維數關系進行編碼，得到交互圖；

將預測層的對抗矩陣分解AMF與卷積協同過濾ConvNCF一同訓練得到預測評分；

所述將預測層的對抗矩陣分解AMF與卷積協同過濾ConvNCF一同訓練得到預測評分包括：

(1)優化模型參數：

其中，表示干擾項的預測模型，ω表示預測層中可訓練的權值向量；分別表示用戶u和物品i的擾動向量；

(2)給AMF的小批量訓練集；給定小批量大小S；從成對訓練實例集D中隨機抽取S個訓練實例并將小批量命名為D'；

(3)約束于的最大范數計算得到干擾向量；

(4)根據小批量D'更新預測模型的參數：

L_APR(D'|Θ)＝∑_(u,i,j)∈D'l_APR((u,i,j)|Θ)；

其中，l_APR((u,i,j)|Θ)表示訓練實例(u,i,j)的最小化的局部目標函數；

(5)對于在D'中出現的每個用戶和物品，使用隨機梯度下降算法計算

(6)迭代步驟(4)至步驟(5)，直到預測模型AMF收斂或者驗證性能開始下降為止，得到訓練好的AMF，利用訓練好的AMF輸出預測評分；

所述成對訓練實例集D包括：

其中表示用戶u之前交互過的物品集合，I表示整個物品集合；

所述訓練實例(u,i,j)的最小化的局部目標函數l_APR((u,i,j)|Θ)如下：

其中，

2.如權利要求1所述基于對抗矩陣分解的協調過濾卷積神經網絡推薦系統，其特征在于，所述卷積層包括：每個子卷積層中均有32張特征圖，各子卷積層之間形成塔式結構。

3.如權利要求1所述基于對抗矩陣分解的協調過濾卷積神經網絡推薦系統，其特征在于，所述張量大小為1×1×32。

4.如權利要求1所述基于對抗矩陣分解的協調過濾卷積神經網絡推薦系統，其特征在于，所述預測函數為：

L＝L_APR(D'|Θ)+λ₁||Θ_U||²+λ₂||Θ_I||²+λ₃||Θ_CNN||²+λ₄||ω||²；

其中，λ_*表示控制正則化的超參數，Θ_U表示用戶嵌入向量方程f^U(·)中的參數，Θ_I表示物品嵌入向量方程f^I(·)中的參數，Θ_CNN表示卷積層中的參數，ω表示預測層中的參數。