光谱协同滤波推荐系统及其建立方法技术方案

本发明专利技术提供了一种光谱协同滤波推荐系统及其建立方法。所述光谱协同滤波推荐系统的建立方法主要包括以下步骤：S1：获取用户和项目的数据集合；S2：对数据集合进行预处理，得到二部图；S3：对二部图进行部分属性加权，再通过图傅里叶变换得到新二部图；S4：将光谱卷积滤波器放置在所述新二部图上，以得到新图形信号；S5：采用多项式逼近方法来改进光谱卷积滤波器，得到最终光谱卷积运算；S6：采用近似卷积运算，建立推荐系统。通过光谱图理论，将用户和项目之间的连接信息转换到光谱域中，建立多层卷积运算的推荐系统，缓解一般推荐系统中的冷启动问题，提高了推荐系统的准确性。

Spectral Cooperative Filtering Recommendation System and Its Establishment Method

【技术实现步骤摘要】
光谱协同滤波推荐系统及其建立方法
本专利技术涉及推荐系统
，尤其涉及一种光谱协同滤波推荐系统及其建立方法。
技术介绍
随着网络技术的诞生和飞速发展，人与互联网之间的关系越来越密不可分。各种各样的网站包含了大量杂乱无序的信息，用户从这些庞大的信息中快速有效地识别出对自己有用的或是感兴趣的信息是一件非常困难的事情。在当今社会大数据的背景下，对推荐系统的研究具有十分重要的意义。推荐系统为一种根据用户已浏览的信息来有效地为用户推荐其可能感兴趣的信息的方法。推荐系统的有效性往往取决于用户的兴趣或偏好如何被理解和处理，以及如何利用用户和项目之间的交互信息进行建模。同时，协同过滤作为推荐系统领域中的一项技术被广泛应用。协同过滤的基本假设为：如果用户1与另一个用户2共享了某个项目，那么用户1也可能对用户2所喜欢的其它项目感兴趣。协同过滤虽然已成功地应用于推荐系统中，但是冷启动问题仍是其所面临的巨大技术挑战。冷启动即当用户与极少数项目交互时，一般的协同过滤方法就会出现问题。当某个用户与其他用户共享的项目很少时，如何有效地向用户推荐成为推荐系统中一项具有挑战性的任务。因此，现有的基于协同过滤或是内存和模型的推荐系统，均不能满足用户从大量未被其浏览的项目中选择可靠性较高的项目推荐给用户的需求。有鉴于此，确有必要设计一种光谱协同滤波推荐系统及其建立方法，以解决上述问题。
技术实现思路
本专利技术的目的在于提供一种准确性高的光谱协同滤波推荐系统及其建立方法。为实现上述目的，本专利技术采用如下技术方案：一种光谱协同滤波推荐系统的建立方法，主要包括以下步骤：S1：获取用户和项目的数据集合；S2：对所述数据集合进行预处理，得到用户和项目的二部图；S3：对所述二部图进行部分属性加权，再通过图傅里叶变换得到新二部图；S4：将光谱卷积滤波器放置在所述新二部图上，以得到新图形信号；S5：采用多项式逼近的方法来改进所述光谱卷积滤波器，得到最终光谱卷积运算；S6：采用近似卷积运算，建立由多层所述最终光谱卷积运算叠加而成的推荐系统。作为本专利技术进一步改进的技术方案，步骤S2具体为：S21：基于所述数据集合构造以用户和项目为顶点的二部图；S22：根据所述二部图中的目标顶点对应数据集合中的每个顶点的元路径，计算元路径的路径特征和随机游走特征；S23：根据所述路径特征和随机游走特征构建隐式反馈矩阵；S24：对所述隐式反馈矩阵进行处理，以得到二部图的邻接矩阵；S25：基于所述邻接矩阵，计算关于二部图的拉普拉斯矩阵。作为本专利技术进一步改进的技术方案，步骤S3具体为：S31：采用部分属性加权的方法处理所述二部图；S32：对所述二部图进行图傅里叶变换及其逆变换，得到已转换到光谱域中的图形信号，生成新二部图。作为本专利技术进一步改进的技术方案，步骤S32具体为：S321：根据处理所述二部图得到的顶点集和边集的特征，得到所述二部图中所有顶点的状态向量；S322：计算所述二部图的拉普拉斯矩阵的特征值；S323：采用图傅里叶变换及其逆变换的方法对所述二部图中所有顶点的状态向量进行处理，得到已转换到光谱域中的图形信号；S324：采用矩阵形式简化所述已转换到光谱域中的图形信号；S325：将所述二部图中用户的状态向量和项目顶点的状态向量带入步骤S324中，以得到两种图形信号并生成新二部图。作为本专利技术进一步改进的技术方案，步骤S4具体为：S41：基于在不同的频域中用户和项目之间的不同类型的连接信息，建立光谱卷积滤波器；S42：利用光谱卷积滤波器将所述两种图形信号转换成两种新图形信号。作为本专利技术进一步改进的技术方案，所述光谱卷积滤波器通过动态地过滤光谱域中的频率分量，得到两种新图形信号。作为本专利技术进一步改进的技术方案，步骤S5具体为：S51：采用多项式逼近的方法证明全光谱卷积滤波器集合等于有限阶多项式集合，得到新光谱卷积滤波器；S52：将所述两种新图形信号通过新光谱卷积滤波器推广到C个输入通道和F个光谱卷积滤波器中，以得到最终光谱卷积运算；S53：将所述最终光谱卷积运算表示为函数。作为本专利技术进一步改进的技术方案，步骤S6具体为：S61：将随机初始化的用户向量和项目向量作为输入，得到K层深度光谱协同滤波；S62：基于传统BPR损耗，得到光谱协同滤波的损耗函数；S63：采用RMSprop算法使所述损耗函数最小化，并将得到的训练集输入预设的光谱协同滤波器中进行训练，以得到用户的最终项目推荐；S64：对所述最终项目推荐进行排序。作为本专利技术进一步改进的技术方案，所述RMSprop算法是通过将每个权重的更新值按梯度范数的运行平均值进行缩放。一种光谱协同滤波推荐系统，主要包括：数据获取模块：用于获取用户和项目的数据集合；数据预处理模块：用于对所述数据集合进行预处理，以得到用户和项目的二部图；协同滤波模块：用于对所述二部图进行部分属性加权，再通过图傅里叶变换得到新二部图；用于将光谱卷积滤波器放置在所述新二部图上，得到新图形信号；用于采用多项式逼近的方法来改进所述光谱卷积滤波器，以得到最终光谱卷积运算；训练模块：用于采用近似卷积运算，建立由多层最终所述光谱卷积运算叠加而成的推荐系统；推荐模块：用于将训练得到的推荐系统对待预测图形信号中的用户向量进行项目推荐排序。本专利技术的有益效果是：本专利技术通过光谱图理论，将用户和项目之间的连接信息转换到光谱域中，采用图傅里叶变换处理用户和项目之间的交互信息，并利用用户和项目之间不同类型的连接信息在不同频率域中的交互性，来建立多层卷积运算的推荐系统，在一定程度上缓解了一般推荐系统中的冷启动问题，提高了推荐系统的准确性。附图说明图1为本专利技术光谱协同滤波推荐系统的建立方法的流程图。图2为本专利技术光谱协同滤波推荐系统的示意框图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术进行详细描述。如图1所示，光谱协同滤波推荐系统的建立方法主要包括以下步骤：S1：获取用户和项目的数据集合；S2：对数据集合进行预处理，得到用户和项目的二部图；S3：对二部图进行部分属性加权，再通过图傅里叶变换得到新二部图；S4：将光谱卷积滤波器放置在新二部图上，以得到新图形信号；S5：采用多项式逼近的方法来改进所述光谱卷积滤波器，得到最终光谱卷积运算；S6：采用近似卷积运算，建立由多层最终光谱卷积运算叠加而成的推荐系统。进一步地，步骤S2具体为：S21：基于数据集合构造以用户和项目为顶点的二部图；S22：根据二部图中的目标顶点对应数据集合中的每个顶点的元路径，计算元路径的路径特征和随机游走特征；S23：根据路径特征和随机游走特征构建隐式反馈矩阵Rr，j；具体地，其中，R是|U|×|I|阶矩阵；S24：对隐式反馈矩阵进行处理，以得到二部图的邻接矩阵A；具体地，其中，0表示0矩阵，A是N×N的矩阵，N为二部图中的顶点数；S25：基于邻接矩阵A，计算关于二部图的拉普拉斯矩阵L。具体地，L＝I-D-1A；其中，I是N×N的单位矩阵，D是N×N的对角矩阵，Dnn＝∑jAn，j。进一步地，步骤S3具体为：S31：采用部分属性加权的方法处理二部图；S32：对二部图进行图傅里叶变换及其逆变换，得到已转换到光谱域中的图形信号生成新二部图。其中，图傅里叶变换及其逆变换是根据经典的傅里叶变本文档来自技高网...

【技术保护点】
1.一种光谱协同滤波推荐系统的建立方法，其特征在于，主要包括以下步骤：S1：获取用户和项目的数据集合；S2：对所述数据集合进行预处理，得到用户和项目的二部图；S3：对所述二部图进行部分属性加权，再通过图傅里叶变换得到新二部图；S4：将光谱卷积滤波器放置在所述新二部图上，以得到新图形信号；S5：采用多项式逼近的方法来改进所述光谱卷积滤波器，得到最终光谱卷积运算；S6：采用近似卷积运算，建立由多层所述最终光谱卷积运算叠加而成的推荐系统。

【技术特征摘要】
1.一种光谱协同滤波推荐系统的建立方法，其特征在于，主要包括以下步骤：S1：获取用户和项目的数据集合；S2：对所述数据集合进行预处理，得到用户和项目的二部图；S3：对所述二部图进行部分属性加权，再通过图傅里叶变换得到新二部图；S4：将光谱卷积滤波器放置在所述新二部图上，以得到新图形信号；S5：采用多项式逼近的方法来改进所述光谱卷积滤波器，得到最终光谱卷积运算；S6：采用近似卷积运算，建立由多层所述最终光谱卷积运算叠加而成的推荐系统。2.根据权利要求1所述的光谱协同滤波推荐系统的建立方法，其特征在于，步骤S2具体为：S21：基于所述数据集合构造以用户和项目为顶点的二部图；S22：根据所述二部图中的目标顶点对应数据集合中的每个顶点的元路径，计算元路径的路径特征和随机游走特征；S23：根据所述路径特征和随机游走特征构建隐式反馈矩阵；S24：对所述隐式反馈矩阵进行处理，以得到二部图的邻接矩阵；S25：基于所述邻接矩阵，计算关于二部图的拉普拉斯矩阵。3.根据权利要求1所述的光谱协同滤波推荐系统的建立方法，其特征在于，步骤S3具体为：S31：采用部分属性加权的方法处理所述二部图；S32：对所述二部图进行图傅里叶变换及其逆变换，得到已转换到光谱域中的图形信号，生成新二部图。4.根据权利要求3所述的光谱协同滤波推荐系统的建立方法，其特征在于，步骤S32具体为：S321：根据处理所述二部图得到的顶点集和边集的特征，得到所述二部图中所有顶点的状态向量；S322：计算所述二部图的拉普拉斯矩阵的特征值；S323：采用图傅里叶变换及其逆变换的方法对所述二部图中所有顶点的状态向量进行处理，得到已转换到光谱域中的图形信号；S324：采用矩阵形式简化所述已转换到光谱域中的图形信号；S325：将所述二部图中用户的状态向量和项目顶点的状态向量带入步骤S324中，以得到两种图形信号并生成新二部图。5.根据权利要求4所述的光谱协同滤波推荐系统的建立方法，其特征在于，步骤S4具体为：S41：基于...

【专利技术属性】
技术研发人员：陈可佳，曹佳丽，金鑫妍，张丽莎，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32