[發明專利]基于屬性知識引入的協同過濾推薦方法

在審

• 申請號: 202210669159.7
• 申請日: 2022-06-14
• 公開（公告）號: CN115203580A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 殷風景;張鑫;潘巖;肖衛東;趙翔;徐浩;雷軍
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N5/02
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 伍志祥

1.基于屬性知識引入的協同過濾推薦方法，其特征在于，包括以下步驟：

定義用戶直接信息和間接信息，基于此構建用戶的屬性體系；所有屬性的集合生成用戶屬性的整個維度；

為篩選信息量大、區分度高的關鍵特征，采用基于帶L1懲罰項的邏輯回歸模型的方式進行特征選取；

針對用戶屬性知識和行為數據分別進行向量化，將用戶行為向量與用戶屬性知識向量進行拼接，形成屬性和行為融合的推薦；

基于L1懲罰項的屬性知識嵌入選取方法和用戶屬性知識嵌入協同過濾構建三重混合推薦，所述三重混合推薦通過利用屬性信息，豐富用戶的興趣偏好表達，提高用戶之間的相似性計算的精準性，并通過加權投票方式將用戶屬性和協同過濾融合起來。

2.根據權利要求1所述的基于屬性知識引入的協同過濾推薦方法，其特征在于，定義用戶間接屬性，使用用戶行為關聯的項目信息進行關聯，如果用戶對某個項目評分很高，該項目所具有的屬性將在用戶相應的屬性維度中被點亮；一個項目可能有多個屬性，因此一個評分可能會點亮用戶屬性知識空間中的多個維度；如果用戶從未對具有相同屬性的任何項目進行評分，或者評分不夠好，則用戶屬性向量中對應那些項目屬性的元素值將為0；每當用戶對一個具有一個或多個屬性的項目進行評分，并且評分比較好時，與這些項目屬性對應的用戶屬性維度就將會增加。

3.根據權利要求1所述的基于屬性知識引入的協同過濾推薦方法，其特征在于，所述構建基于用戶直接信息和間接信息的屬性體系，包括：

用ADV代表用戶屬性知識維度中的元素值，ADV是每輪計算的值，則有以下：

j表示第j項，k表示項目的屬性；

i表示所考察的用戶i，z表示第z個用戶屬性知識維度，n和p分別是項目總數和項目屬性總數；

對于用戶直接屬性，直接按照直接屬性生成特征空間，按照是否具有對應維度上的屬性對直接屬性值advd進行量化：

x表示第x個屬性。

4.根據權利要求1所述的基于屬性知識引入的協同過濾推薦方法，其特征在于，為了從屬性集合到形成屬性知識，使用邏輯回歸進行特征選取，過濾區分度較低的屬性，優選出最能夠幾種反映用戶偏好的少量特征，形成基于用戶屬性的知識，邏輯回歸公式如下：

z＝a₁x₁+a₂x₂+…+a_nx_n+b

x₁,x₂,x_n為輸入的待選取特征，a₁，a₂，a_n為權重，z為計算后輸出結果，b為常數。

5.根據權利要求4所述的基于屬性知識引入的協同過濾推薦方法，其特征在于，為邏輯回歸函數設定損失函數，采用對數似然損失函數如下：

面對無約束的多元函數極值求解問題，使用梯度下降法通過迭代得到最小化的損失函數所對應的模型參數。

6.根據權利要求1所述的基于屬性知識引入的協同過濾推薦方法，其特征在于，為了在用戶屬性體系中選取具有較高區分度的少量屬性特征，在對回歸系數進行求解的時候，加入一個懲罰機制，既降低模型的復雜度，防止出現訓練過程的過擬合從而降低模型的泛化能力，又能起到特征篩選的作用，因此，選擇基于L1正則系數作為懲罰項，L1是模型中各個參數的絕對值之和，公式表示如下：

其中A是回歸參數a_i組成的列向量，λ||A||₁為L1正則化項，λ為L1正則化項的可調參數，y_i為估計值，x_i為樣本特征值，a_i為回歸系數，N為樣本總數。