一种基于矩阵分解的协同过滤推荐优化算法和装置制造方法及图纸

本发明专利技术公开了一种基于矩阵分解的协同过滤推荐优化算法和装置，包括基于归一化最小均方的矩阵分解协同过滤推荐算法、基于最大相关熵准则的矩阵分解协同过滤推荐算法和基于自适应矩估计优化的矩阵分解协同过滤算法；本发明专利技术将归一化方法应用于FunkSVD算法分别对其用户特征向量和项目特征向量进行归一化，具有更优的推荐性能，具有比传统基于MSE损失函数的推荐算法更优的推荐性能和更好的应对干扰的鲁棒性，且拥有比FunkSVD更快的收敛速度与更好的优化性能。

【技术实现步骤摘要】
一种基于矩阵分解的协同过滤推荐优化算法和装置
本专利技术涉及大数据
，尤其涉及一种基于矩阵分解的协同过滤推荐优化算法和装置。
技术介绍
近年来，大数据技术已经被广泛应用于电子商务、金融证券、交通旅游和医疗教育等行业。在这个数据爆发的时代，如何从海量数据中甄选出感兴趣的部分，是大数据技术研究的热门话题。协同过滤(CF,collaborativefiltering)推荐技术正是在这样的背景下产生的。典型的基于模型的CF推荐是基于矩阵分解的推荐算法，其中最典型的是基于奇异值分解(SVD,singularvaluedecomposition)的推荐算法。然而，传统的SVD推荐算法是基于最小化均方误差(MSE,meansquareerror)损失函数和利用随机梯度下降(SGD,stochasticgradientdescend)法建立的。不同用户特征向量或项目特征向量的能量将会影响这些SVD推荐算法的性能和稳定性。此外，当系统遭遇异常干扰时，传统的基于MSE损失函数的SVD推荐算法不能保证鲁棒性。再者，利用最传统的SGD方法对用户特征向量和本文档来自技高网...

【技术保护点】
1.一种基于矩阵分解的协同过滤推荐优化算法，其特征在于：包括基于归一化最小均方的矩阵分解协同过滤推荐算法、基于最大相关熵准则的矩阵分解协同过滤推荐算法和基于自适应矩估计优化的矩阵分解协同过滤算法；/n所述基于归一化最小均方的矩阵分解协同过滤推荐算法包括以下步骤：/nS1.1：用户对旅游景点的评分数据获取并存储；/nS1.2：生成用户-旅游景点评分矩阵；/nS1.3：生成随机的用户特征矩阵；/nS1.4：生成随机的旅游景点特征矩阵；/nS1.5：输入学习率参数；/nS1.6：输入正则化参数；/nS1.7：迭代计算用户的特征矩阵和项目特征矩阵；/n所述基于最大相关熵准则的矩阵分解协同过滤推荐算法包...

【技术特征摘要】
1.一种基于矩阵分解的协同过滤推荐优化算法，其特征在于：包括基于归一化最小均方的矩阵分解协同过滤推荐算法、基于最大相关熵准则的矩阵分解协同过滤推荐算法和基于自适应矩估计优化的矩阵分解协同过滤算法；
所述基于归一化最小均方的矩阵分解协同过滤推荐算法包括以下步骤：
S1.1：用户对旅游景点的评分数据获取并存储；
S1.2：生成用户-旅游景点评分矩阵；
S1.3：生成随机的用户特征矩阵；
S1.4：生成随机的旅游景点特征矩阵；
S1.5：输入学习率参数；
S1.6：输入正则化参数；
S1.7：迭代计算用户的特征矩阵和项目特征矩阵；
所述基于最大相关熵准则的矩阵分解协同过滤推荐算法包括以下步骤：
S2.1：用户对旅游景点的评分数据获取并存储；
S2.2：生成用户-旅游景点评分矩阵；
S2.3：生成随机的用户特征矩阵；
S2.4：生成随机的旅游景点特征矩阵；
S2.5：输入学习率参数；
S2.6：输入正则化参数；
S2.7：输入核参数；
S2.8：迭代计算用户的特征矩阵和项目特征矩阵；
所述基于自适应矩估计优化的矩阵分解协同过滤算法包括以下步骤：
S3.1：用户对旅游景点的评分数据获取并存储；
S3.2：生成用户-旅游景点评分矩阵；
S3.3：生成随机的用户特征矩阵；
S3.4：生成随机的旅游景点特征矩阵；
S3.5：输入学习率参数；
S3.6：输入正则化参数；
S3.7：输入遗忘因子1；
S3.8：输入遗忘因子2；
S3.9：初始化用户特征向量梯度的一阶/二阶矩及其偏置校正量；
S3.10：初始化旅游景点特征向量梯度的一阶/二阶矩及其偏置校正量；
S3.11：迭代计算用户的特征矩阵和项目特征矩阵。


2.根据权利要求1所述的基于矩阵分解的协同过滤推荐优化算法，其特征在于：所述步骤S1.7的具体算法为：
S1.7.1当前用户的特征矩阵下标小于或等于评分矩阵的维度时，循环；否则结束循环；
S1.7.2当前旅游景点的特征矩阵下标小于或等于评分矩阵的维度时，循环；否则结束循环；
S1.7.3如果评分矩阵当前元素不为0时，计算该元素与预测元素的误差
S1.7.4利用S1.7.3中的误差更新用户特征矩阵的值；
S1.7.5利用S1.7.3中的误差更新旅游景点特征矩阵的值；
S1.7.6旅游景点的特征矩阵下标自增1，跳转至S1.7.2；
S1.7.7用户的特征矩阵下标自增1，跳转至S1.7.1。


3.根据权利要求1所述的基于矩阵分解的协同过滤推荐优化算法，其特征在于：所述步骤S2.8的具体算法为：
S2.8.1：当前用户的特征矩阵下标小于或等于评分矩阵的维度时，循环；否则结束循环；
S2.8.2：当前旅游景点的特征矩阵下标小于或等...

【专利技术属性】
技术研发人员：樊文有，文兴丽，王蜀越，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42