一种用户推荐方法技术

本申请公开了一种用户推荐方法，具体包括以下步骤：确定自编码器的输入数据；通过一个激活函数将输入数据映射到自编码器的隐含层；将隐含层映射到一个维的重构的向量中；在数据集中训练模型参数，获得用户的预测评分；训练模型参数通过最小化重构误差来进行；其中训练模型参数包括以下步骤：稀疏化自编码器的输入数据；结合数据集的评分数据和显式信任信息进行训练；其中，稀疏化自编码器的输入数据包括以下子步骤：从数据集中的用户‑项目评分矩阵中提取输入向量；将输入向量中的缺失值置0；在自编码器中加入masking噪声；在反向传播之前，将输入向量中的缺失值的误差置0。本申请能够达到提高推荐准确度的效果。

【技术实现步骤摘要】
一种用户推荐方法
本申请涉及信息过滤和数据挖掘领域，尤其涉及一种用户推荐方法。
技术介绍
推荐系统被广泛地应用于各种各样的电子服务系统，比如电子商务和社会网络。推荐系统可以根据用户的历史评分来为用户推荐新的物品。推荐系统中的两种常用的方法是基于内容的过滤和协同过滤。基于内容过滤是通过分析用户过去喜欢的物品来向用户推荐新的物品。而协同过滤是通过一组已知的用户的喜好来向喜好未知的用户做物品推荐或者评分预测。传统的协同过滤仅仅通过用户的评分数据来对用户进行建模，然而，评分的稀疏性将会严重地降低推荐系统的效果。目前能够将基于内容的过滤和协同过滤这两种方法融合到一起，并且在训练过程中加入附加信息来建立混合的模型。这种混合模型的目的在于在一定程度上通过附加信息来补充缺失的评分数据。但通过单一的附加信息来补充缺失的评分数据这种方法得到的评分并不是很准确，不能达到提高推荐准确度的效果。
技术实现思路
本专利技术的目的在于提供一种用户推荐方法，能够解决传统的推荐系统中的数据稀疏问题，能够更加准确地预测用户喜好并向用户推荐物品。一种用户推荐方法，具体包括以下步骤：确定自编码器的输入数据x∈RN；通过一个激活本文档来自技高网...

【技术保护点】
一种用户推荐方法，其特征在于，具体包括以下步骤：确定自编码器的输入数据x∈R

【技术特征摘要】
1.一种用户推荐方法，其特征在于，具体包括以下步骤：确定自编码器的输入数据x∈RN；通过一个激活函数将输入数据映射到自编码器的隐含层；其中，隐含层表示为：y＝ρ(WTx+b)；其中y表示隐含层的结果，ρ表示激活函数，W表示N×H维的权重矩阵，WT表示权重矩阵W的转置矩阵，b∈RH表示偏置向量，x表示自编码器的输入向量；将隐含层映射到一个N维的重构的向量中，具体表示为：其中W′＝W，是tied权重，b′∈RN是偏置向量；在数据集中训练模型参数，获得用户的预测评分；所述训练模型参数通过最小化重构误差来进行，所述重构误差表示为：其中，m表示用户数量，xi表示自编码器的输入数据，表示对应于输入数据的输出向量，l表示损失函数；其中所述在数据集上训练模型参数包括以下步骤：稀疏化自编码器的输入数据；结合数据集的评分数据和显式信任信息进行训练；其中，所述稀疏化自编码器的输入数据包括以下子步骤：从数据集中的用户-项目评分矩阵中提取输入向量；将输入向量中的缺失值置0；在自编码器中加入masking噪声，其中损失函数表示为：其中，α表示降噪平方误差的调整参数，(1-α)表示重构平方误差的调整参数，x′表示x∈RN中的破损部分，C(x′)表示x′中破损的元素的集合，N(x)表示x中非破损元素的集合，表示神经网络第i次输出的结果，表示对x′的预测结果；在反向传播之前，将输入向量中的缺失值的误差置0。2.如权利要求1所述的用户推荐方法，其特征在于，所述结合数据集的评分数据和显式信任信息进行训练包括以下步骤：将数据集中的显式信任信息和评分数据分别放入模型的输入层和隐含层中训练获得预测评分；其中所述预测评分用降噪自编码器的输出层的结果，具体表示如下：其中，ti∈RT表示用户i的信任信息，xi表示用户i的评分数据，VT∈RH×(N+T)和V′∈RH×N表示tied权重矩阵。3.如权利要求1所述...

【专利技术属性】
技术研发人员：张邦佐，王美琪，武志远，孙小新，冯国忠，
申请(专利权)人：东北师范大学，
类型：发明
国别省市：吉林,22