融合属性信息网络和矩阵分解的物品评分预测方法技术

本发明专利技术公开一种融合属性信息网络和矩阵分解的物品评分预测方法，解决了如何更准确地对物品评分预测的问题。实现步骤有：构建属性信息网络；采集数据和信息；构建融合分解模型；初始化参数；选择评价指标和损失函数计算公式；计算预测评分矩阵；计算训练集预测评分矩阵损失；对参数优化更新得到新的预测评分矩阵；计算测试集预测评分矩阵评价指标；判断评价指标；若满足停止条件直接输出结果；否则，返回迭代计算逐渐降低损失；直至满足条件输出结果。本发明专利技术将用户和物品更多信息经过属性信息网络得到的维度变换结果又与矩阵分解融合形成预测模型，采用两种损失函数，使得物品评分预测更为准确，本发明专利技术可应用于对网上物品进行自动化的预测。

Product Scoring Prediction Method Based on Attribute Information Network and Matrix Decomposition

【技术实现步骤摘要】
融合属性信息网络和矩阵分解的物品评分预测方法
本专利技术属于计算机和网络
，更进一步涉及网络信息的分类，具体是一种融合属性信息网络和矩阵分解的物品评分预测方法。用于网络物品评分的预测。
技术介绍
网络已经应用到人们的生活的各种领域，很多数据分析工程、信息处理工程都需要通过网络来完成，这些工程通过网络进行使得效率得到了提高。通过网络技术进行物品评分的预测，涉及到网络，涉及到信息过滤，具体通过网络数据对物品评分进行预测，属于一种信息处理工程，通常需要分析用户的历史行为数据，通过数据类型分析发现用户的数据倾向，并预测数据中的倾向和变化走向，预测出用户感兴趣的物品或信息。现如今，已存在的预测方法有很多，协同过滤算法是目前应用最为广泛的预测算法，矩阵分解是协同过滤方法中的一种，很好地解决了数据稀疏问题。但仅仅依靠用户物品的评分是不够的。HongJianXue等人在其发表的论文“DeepMatrixFactorizationModelsforRecommenderSystems”(2017InternationalJointConferenceonArtificialIntelligenc本文档来自技高网...

【技术保护点】
1.一种融合属性信息网络和矩阵分解的物品评分预测方法，涉及到用户和物品，其特征在于，包括有如下步骤：(1)构建具有维度变换中间层的属性信息网络：该网络由若干层构成，在底层和最上层之间至少有两层属于输入信息的维度变换层，通过设置该网络的各层权重和偏置的超参数进行输入信息的维度变换，得到输入信息在该网络中的维度变换结果；(2)采集数据和信息，将参与物品评分预测的信息输入到构建的网络，得到其对应的维度变换结果：采集数据和信息，将用户对物品的评分数据整合为评分数据集，将评分数据集的80％作为训练集，20％作为测试集；信息包含有参与物品评分预测的信息，参与物品评分预测的信息具体是物品被用户所评分的历史信...

【技术特征摘要】
1.一种融合属性信息网络和矩阵分解的物品评分预测方法，涉及到用户和物品，其特征在于，包括有如下步骤：(1)构建具有维度变换中间层的属性信息网络：该网络由若干层构成，在底层和最上层之间至少有两层属于输入信息的维度变换层，通过设置该网络的各层权重和偏置的超参数进行输入信息的维度变换，得到输入信息在该网络中的维度变换结果；(2)采集数据和信息，将参与物品评分预测的信息输入到构建的网络，得到其对应的维度变换结果：采集数据和信息，将用户对物品的评分数据整合为评分数据集，将评分数据集的80％作为训练集，20％作为测试集；信息包含有参与物品评分预测的信息，参与物品评分预测的信息具体是物品被用户所评分的历史信息、用户属性信息、物品属性信息，将上述参与物品评分预测的信息均输入到具有维度变换中间层的属性信息网络中，得到上述输入信息各自在网络中的维度变换结果；(3)构建预测评分矩阵的分解模型：将输入信息各自在构建网络中的维度变换结果与矩阵分解模型相结合，得到预测评分矩阵的计算函数f；(4)初始化预测评分矩阵分解参数、网络参数：矩阵分解参数包括平均值参数A、偏差参数B、用户特征参数U、物品特征参数I、物品历史特征参数Z，矩阵分解参数及网络参数均为矩阵；(4a)以训练集全局平均值对平均值参数A进行初始化，所述的全局平均值为：对于训练集评分矩阵，将训练集评分矩阵中的所有元素进行求和，然后除以训练集的评分数目；(4b)以用户平均值减去全局平均值得到的差与物品平均值减去全局平均值得到的差的和对偏差参数B进行初始化；(4c)用户特征参数U、物品特征参数I、物品历史特征参数Z与具有维度变换中间层的属性信息网络的各层权重和偏置的参数，其初始化均服从正态分布；(4d)初始化待输出预测评分矩阵PRECISION为全0矩阵；(4e)初始化最小评价指标为1.5；(4f)初始化迭代次数为1；(5)选择评价指标计算公式和损失函数计算公式：针对测试集，用平均绝对误差MAE或均方根误差RMSE作为测试集预测评分矩阵P_TE的评价指标，分别对应各自不同的评价指标计算公式；针对训练集，从第一损失函数和第二损失函数中选择一个作为计算训练集预测评分矩阵P_TR的损失函数，若测试集选择平均绝对误差MAE作为评价指标计算公式，则选择第一损失函数作为损失函数计算公式；若测试集选择均方根误差RMSE作为评价指标计算公式，则选择第二损失函数作为损失函数计算公式；(6)计算预测评分矩阵P：使用已初始化的矩阵分解参数和网络参数通过预测评分矩阵的计算函数f计算得到的矩阵作为预测评分矩阵P，即得到当前预测评分矩阵P；(7)计算得到训练集预测评分矩阵P_TR损失：根据当前预测评分矩阵P通过训练集预测评分矩阵公式计算得到训练集预测评分矩阵P_TR，再根据训练集预测评分矩阵P_TR结合损失函数计算训练集预测评分矩阵P_TR的损失；(8)对矩阵分解参数和网络参数进行优化更新：采用自适应矩估计的方法分别对矩阵分解参数和网络参数进行一次优化更新，并迭代次数自增1，得到了一组新的矩阵分解参数和网络参数；根据已优化更新过的矩阵分解参数和网络参数，通过计算函数f计算新的预测评分矩阵P；(9)计算得到测试集预测评分矩阵P_TE的评价指标：根据当前预测评分矩阵P通过测试集预测评分矩阵公式计算得到测试集预测评分矩阵P_TE，再根据测试集预测评分矩阵P_TE结合评价指标计算公式计算测试集预测评分矩阵P_TE的评价指标；(10)对测试集预测评分矩阵P_TE的评价指标进行判断：如果该评价指标小于最小评价指标，则用当前评价指标把最小评价指标覆盖，即更新了最小评价指标，并且记录此时的预测评分矩阵P，存储在待输出预测评分矩阵PRECISION中，并执行步骤(11)；如果该评价指标大于等于最小评价指标，则不进行最小评价指标的更新，直接执行步骤(11)；(11)判断是否满足停止条件：只有当迭代次数大于20且能够被20整除且每20次迭代的评价指标值有增大趋势时，执行步骤(12)，输出对物品的预测评分；否则，返回到步骤(7)，循环执行步骤(7)...

【专利技术属性】
技术研发人员：慕彩红，刘逸，丁锐，吴建设，李阳阳，刘波，刘若辰，
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