一种融合视觉特征和用户评分的图像推荐方法技术

本发明专利技术公开了一种融合视觉特征和用户评分的图像推荐方法，包括：1、爬取数据集并从数据集中提取物品图像和用户对相应物品图像的评分矩阵；2、对所有采集到的物品图像利用卷积神经网络CNN进行图像视觉特征提取，得到视觉特征矩阵；3、建立预测偏好模型，利用基于元素的交替最小二乘法更新预测偏好模型；4、从最终的预测偏好模型中得到用户对所有物品图像的偏好值，将偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户。本发明专利技术将视觉特征和用户评分进行融合，从而能够提高推荐精度和实现个性化推荐。

【技术实现步骤摘要】
一种融合视觉特征和用户评分的图像推荐方法
本专利技术属于基于计算机视觉技术的图像处理
，主要是涉及到矩阵分解的图像推荐方法。
技术介绍
近些年来，伴随着电子商务的快速发展，产生了海量的网络图像数据，面对这样大量的图像数据，用户希望可以快速的定位自己感兴趣的图像信息，搜索成为实现此目的的必备的功能，而搜索是由用户主动发起的服务请求，为了让系统主动地为客户提供服务，就出现了图像推荐系统，通过分析用户感兴趣的历史数据和图像数据库中的图像数据，为用户推荐图像数据库中最有可能是用户感兴趣的图像内容，也就是将与用户历史感兴趣的图像最接近的图像推荐给用户。目前各大电子商务网站中所使用的商品检索系统大多是使用基于关键字的检索，例如，淘宝，亚马逊等，而基于关键字的图像检索系统要求商品图像必须附加商品的名称、种类等相关文字描述信息，再根据用户输入的搜索关键字与商品的文字描述进行匹配，然而文字信息难以完整描述商品的所有特征，并且受用户主观因素的影响非常大，使得用户输入的商品描述信息很难做到客观精准，很有可能针对不同的商品需求会在用户主观条件下反映出相同的关键字或者相同的商品需求反映出不同的关键字而使本文档来自技高网...

【技术保护点】
一种融合视觉特征和用户评分的图像推荐方法，其特征是按如下步骤进行：步骤1、通过网络爬虫从网站上爬取物品图像集P和相应的物品评分数据集Q；步骤2、从所述物品图像集P中提取出N幅物品图像，从相应的物品评分数据集Q中提取出M个用户对N幅物品图像的评价信息，从而得到M个用户对N幅物品图像的评分矩阵

【技术特征摘要】
1.一种融合视觉特征和用户评分的图像推荐方法，其特征是按如下步骤进行：步骤1、通过网络爬虫从网站上爬取物品图像集P和相应的物品评分数据集Q；步骤2、从所述物品图像集P中提取出N幅物品图像，从相应的物品评分数据集Q中提取出M个用户对N幅物品图像的评价信息，从而得到M个用户对N幅物品图像的评分矩阵所述评分矩阵Y中任意用户u对任意物品图像i的评分记为yui，若yui＝1表示用户u评价了物品图像i对应的物品，yui＝0表示用户u未评价物品图像i对应的物品；步骤3、对所述N幅物品图像进行归一化处理得到图像集C；步骤4、利用卷积神经网络CNN对所述图像集C中的N幅图像分别进行特征提取，得到N幅图像的视觉特征矩阵其中，T表示每幅图像的视觉特征的维度，每一列向量表示图像i所对应的视觉特征向量；步骤5、利用式(1)建立预测偏好模型：式(1)中，表示用户u的潜在特征向量，K表示潜在特征维度，表示转化矩阵，用于将图像i的视觉特征向量fi转化为嵌入向量；Efi表示图像i的潜在特征向量，表示预测的用户u对图像i的偏好；步骤6、利用基于元素的交替最小二乘法更新所述预测偏好模型；步骤6.1、利用式(2)得到损失函数L：式(2)中，y表示在评分矩阵Y中有评价过的物品图像集合，wui表示在评分矩阵Y中任意用户u对任意物品图像i评分的权重，表示剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好，且puk表示用户u的潜在特征向量pu的第k维值；ci表示在评分矩阵Y中未被评价过的物品图像i的权重，λ表示L2正则化的参数，表示转化矩阵E中第k行向量；步骤6.2、定义循环变量为α，并初始化α＝0；定义最大循环次数为αmax；利用标准正态分布随机初始化第α次循环的预测偏好模型参数其中，表示第α次循环的用户u的潜在特征向量，Eα表示第α次循环的转化矩阵；步骤6.3、利用式(3)更新第α次循环时用户u的潜在特征向量pu的第k维值

【专利技术属性】
技术研发人员：薛峰，孙健，陈思洋，路强，余烨，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34