基于矩阵分解及神经协同过滤的物品评分预测方法技术

本发明专利技术公开一种基于矩阵分解及神经协同过滤的物品评分预测方法，其步骤为：(1)构建用户‑物品评分矩阵；(2)对训练矩阵进行矩阵分解；(3)构建神经协同过滤网络；(4)对训练矩阵进行神经协同过滤；(5)提取神经协同过滤网络嵌入层的用户和物品特征；(6)构建最近邻居特征矩阵；(7)生成评分训练集与评分测试集；(8)训练全连接神经网络；(9)对评分测试集进行评分预测。本发明专利技术具有充分挖掘用户与物品信息，对物品的评分预测准确度高，可扩展性强的优点。

【技术实现步骤摘要】
基于矩阵分解及神经协同过滤的物品评分预测方法
本专利技术属于计算机
，更进一步涉及物品评分预测
中的一种基于矩阵分解及神经协同过滤的物品评分预测方法。本专利技术可根据用户对物品的历史评分信息，利用基于模型的方法进行训练，获得用户对未评价过物品的评分预测。
技术介绍
推荐系统是一种信息过滤系统，通过分析用户的历史行为数据及每个用户的特点，发现用户的兴趣爱好，并为用户推荐其感兴趣的物品。现如今，已存在的推荐方法有很多。其中协同过滤是应用最为广泛且最为成功的一种推荐方法。其中基于模型的推荐算法可以有效解决数据稀疏问题和可扩展性问题，因而是目前应用较为广泛的推荐算法，其主要思想是根据用户对物品评分及相关信息，建立模型进行训练，并预测用户对于未评价过物品的评分。因此，对于用户和物品相关信息的使用及模型的构建至关重要。其影响着用户对物品的评分预测准确性，进而影响着最终的推荐质量。陕西科技大学在其申请的专利文献“基于矩阵分解协同过滤算法的图书推荐方法及系统”(申请号：201810260195.1，申请公布号：CN108509573A)中公开了一种基于矩阵分解协同过滤算法的图书推荐方法。本文档来自技高网...

【技术保护点】
1.一种基于矩阵分解及神经协同过滤的物品评分预测方法，其特征在于，利用提取的用户特征构建最近邻居特征矩阵，提取神经协同过滤网络嵌入层的用户和物品特征，该方法的步骤包括如下：(1)构建用户‑物品评分矩阵：(1a)从用户‑物品的评分数据集中，分别提取每个评分对应的用户编号ID与物品编号ID，组成用户对物品的评分矩阵，其中评分矩阵的行为用户编号ID，评分矩阵的列为物品编号ID，评分矩阵的行数为用户的总数，评分矩阵的列数为物品的总数；(1b)从评分矩阵中随机选取的80％的评分组成训练矩阵，剩下的20％评分组成评分测试矩阵；(2)对训练矩阵进行矩阵分解：(2a)利用随机初始操作，初始化用户特征矩阵和物品...

【技术特征摘要】
1.一种基于矩阵分解及神经协同过滤的物品评分预测方法，其特征在于，利用提取的用户特征构建最近邻居特征矩阵，提取神经协同过滤网络嵌入层的用户和物品特征，该方法的步骤包括如下：(1)构建用户-物品评分矩阵：(1a)从用户-物品的评分数据集中，分别提取每个评分对应的用户编号ID与物品编号ID，组成用户对物品的评分矩阵，其中评分矩阵的行为用户编号ID，评分矩阵的列为物品编号ID，评分矩阵的行数为用户的总数，评分矩阵的列数为物品的总数；(1b)从评分矩阵中随机选取的80％的评分组成训练矩阵，剩下的20％评分组成评分测试矩阵；(2)对训练矩阵进行矩阵分解：(2a)利用随机初始操作，初始化用户特征矩阵和物品特征矩阵；(2b)将用户特征矩阵和物品特征矩阵相乘后，组成一个重构训练矩阵；(2c)利用重构损失公式，计算重构训练矩阵的重构误差：(2d)利用更新公式，更新用户特征矩阵和物品特征矩阵；(2e)将更新后的用户特征矩阵和物品特征矩阵，分别替代重构训练矩阵的重构误差公式中的用户特征矩阵和物品特征矩阵，计算更新后的重构训练矩阵的重构误差；(2f)判断更新前后的重构评分矩阵的重构误差间的变化值是否小于0.001，若是，则执行步骤(2g)，否则，执行步骤(2d)；(2g)将更新后的用户特征矩阵和物品特征矩阵，分别作为用户优化矩阵和物品优化矩阵；(3)构建神经协同过滤网络：构建一个五层双输入的神经协同过滤网络，并设置神经协同过滤网络中的各层参数和超参数；(4)对训练矩阵进行神经协同过滤：(4a)对训练矩阵中所有行序号、所有列序号和评分，分别进行独热编码，得到用户稀疏矩阵和物品稀疏矩阵，标签矩阵；(4b)将训练矩阵中每个评分对应的用户和物品，组成用户物品集；(4c)在用户稀疏矩阵和物品稀疏矩阵中，将用户物品集对应的向量，组成稀疏训练集，在标签矩阵中，将每个评分对应的向量，组成训练集标签；(4d)将稀疏训练集、训练集标签输入到神经协同过滤网络中进行训练，得到训练好的神经协同过滤网络；(5)提取神经协同过滤网络嵌入层的用户和物品特征：(5a)将用户稀疏矩阵输入训练好的神经协同过滤网络中，提取神经协同过滤网络的嵌入层用户特征，组成用户嵌入矩阵；(5b)将物品稀疏矩阵输入训练好的神经协同过滤网络中，提取神经协同过滤网络的嵌入层物品特征，组成物品嵌入矩阵；(6)构建最近邻居特征矩阵：(6a)利用余弦相似度公式，计算所有用户之间的相似度，组成用户相似度矩阵；(6b)将用户相似度矩阵，按列从大到小排序，选取每个用户的10个近邻用户，组成近邻矩阵；(6c)在近邻矩阵中，计算每个用户的10个近邻用户出现的次数；(6d)选择每个用户的最近邻居，即在每个用户的10个近邻用户中出现次数最多的用户；(6e)将每个用户的最近邻居在优化用户特征矩阵中所对应的向量，组成最近邻居特征矩阵；(7)生成评分训练集与评分测试集：(7a)将训练矩阵中每个评分对应的用户和物品，组成用户物品训练集，将评分测试矩阵中每个评分对应的用户和物品，组成用户物品测试集；(7b)在用户嵌入矩阵和物品嵌入矩阵中，将用户物品训练集对应的向量，组成嵌入训练集；(7c)在最近邻居特征矩阵中，将用户物品训练集对应的向量，组成最近邻居训练集；(7d)在用户优化矩阵和物品优化矩阵中，将用户物品训练集对应的向量，组成矩阵优化训练集；(7e)在用户嵌入矩阵和物品嵌入矩阵中，将用户物品测试集对应的向量，组成嵌入测试集；(7f)在最近邻居特征矩阵中，将用户物品测试集对应的向量，组成最近邻居测试集；(7g)在用户优化矩阵和物品优化矩阵中，将用户物品测试集对应的向量，组成矩阵优化测试集；(7h)将矩阵优化训练集、嵌入训练集和最近邻居训练集，组成评分训练集，将矩阵优化测试集、嵌入测试集和最近邻居测试集，组成评分测试集；(8)训练全连接神经网络：(8a)设...

【专利技术属性】
技术研发人员：慕彩红，刘逸，刘海艳，吴建设，李阳阳，刘若辰，熊涛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61