【技术实现步骤摘要】
基于多维度特征嵌入和特征提取网络的物品推荐方法
[0001]本专利技术属于计算机
,涉及一种物品推荐方法,具体涉及一种基于多维度特征嵌入和特征提取网络的物品推荐方法。可应用于电商商品推荐、图书推荐、电影推荐、音乐推荐等
技术介绍
[0002]随着互联网的快速发展,用户和物品的数据规模越来越大,带来了严重的信息过载问题,推荐系统是缓解信息过载问题的有效技术手段。物品推荐方法是推荐系统的一种具体实施方法。物品推荐方法可以对用户没有评价过的电商商品、图书、电影和音乐等物品进行精准的评分预测,并给用户推荐其感兴趣的物品。物品推荐方法首先对客观数据和主观数据进行分析和建模,然后使用提取到的特征来预测用户对没有评价过的物品的评分,最后将预测评分较高的部分物品组成推荐列表推荐给用户,其中用户的性别、身高、体重、年龄、职业、籍贯和物品的名称、类型、颜色、大小、生产厂商、生产日期等客观数据主要用于提取属性特征,用户历史行为数据等主观数据主要用于提取用户和物品之间的交互特征。如何提高推荐准确性是物品推荐方法的重点和难点。衡量推荐准确性的指标主要有两个:命中率(HR)和归一化折损累计增益(NDCG)。HR表示用户的测试物品出现在推荐列表中的用户数量占所有用户的比例,值越大,说明推荐准确性越好。NDCG表示测试物品在推荐列表中的排序位置,排序越靠前,其值越接近于1,排序越靠后,其值越接近于0,值越大,说明推荐准确性越好。影响推荐准确性的主要因素是用户和物品的属性特征、交互特征能否得到充分提取。
[0003]随着深度学 ...
【技术保护点】
【技术特征摘要】
1.一种基于多维度特征嵌入和特征提取网络的物品推荐方法,其特征在于,包括如下步骤:(1)提取用户属性数据和物品属性数据:(1a)从用户属性数据集中提取M个用户S
U
={U1,...,U
m
,...,U
M
}的属性数据S
H
={H1,...,H
m
,...,H
M
},每个属性数据H
m
包括K1个属性特征,其中,M≥900,U
m
表示第m个用户,H
m
表示U
m
的属性数据,的属性数据,表示H
m
的第k1个属性特征,K1表示H
m
的属性特征总数,K1≥3;(1b)从物品属性数据集中提取N个物品S
V
={V1,...,V
n
,...,V
N
}的属性数据S
I
={I1,...,I
n
,...,I
N
},每个属性数据I
n
包括K2个属性特征,其中,N≥1000,V
n
表示第n个物品,I
n
表示V
n
的属性数据,的属性数据,表示I
n
的第k2个属性特征,K2表示I
n
属性特征的总数,K2≥3;(2)提取用户对物品的隐式评分数据:从用户对物品的历史评分数据集中提取M个用户中的每个用户U
m
对N个物品中的部分物品的共L条隐式评分数据同时记录每条隐式评分数据对应的用户编号Uid
l
和物品编号Iid
l
,得到用户编号集合S
UID
={Uid1,...,Uid
l
,...,Uid
L
}和物品编号集合S
IID
={Iid1,...,Iid
l
,...,Iid
L
},其中,L≥100000,表示通过用户U
m
对物品V
s
评分确定的第l条隐式评分数据,S表示部分物品的个数,S<N,Uid
l
表示对应的用户的编号,Iid
l
表示对应的物品的编号;(3)生成训练样本集与测试样本集:选取隐式评分数据集合S
Y
中每个用户最近一次评价的隐式评分数据,以及所选取的每条隐式评分数据对应的用户的编号和属性特征、物品的编号和属性特征作为测试样本,组成包括M个测试样本的测试样本集,并将S
Y
中剩余的P条隐式评分数据,以及剩余的每个隐式评分数据对应的用户的编号和属性特征、物品的编号和属性特征作为训练样本,组成包括P个训练样本的训练样本集,其中,P+M=L;(4)构建基于多维度特征嵌入和特征提取网络的物品推荐模型J:构建包括多维度特征嵌入网络、特征提取网络和物品评分预测网络的物品推荐模型,其中:多维度特征嵌入网络包括并行排布的用户多维度特征嵌入网络和物品多维度特征嵌入网络;用户多维度特征嵌入网络包括三个并行连接的用户特征嵌入提取分支,每个特征嵌入提取分支包括用户编号信息输入层、特征嵌入层、全连接层和两个激活函数层;物品多维度特征嵌入网络包括三个并行连接的物品特征嵌入提取分支,每个物品特征嵌入提取分支包括物品编号信息输入层、特征嵌入层、全连接层和两个激活函数层;特征提取网络包括并行排布的属性信息特征提取网络、低阶交互特征提取网络和高阶交互特征提取网络;属性信息特征提取网络包括顺次连接的属性信息输入层、特征嵌入层和激活函数层;低阶交互特征提取网络包括元素积操作层、两个全连接层和两个激活函数层;高阶交互特征提取网络包括外积操作层、多个三维卷积层、全连接层和多个激活函数层;
物品评分预测网络包括拼接层、两个全连接层、输出层和两个激活函数层;多维度特征嵌入网络的输出端与特征提取网络中的低阶交互特征提取网络和高阶交互特征提取网络的输入端连接,特征提取网络的输出端与物品评分预测网络的输入端连接,得到物品推荐模型J;(5)对物品推荐模型J进行迭代训练:(5a)初始化迭代次数为t,最大迭代次数为T,T≥200,当前物品推荐模型为J
t
,并令t=1,J
t
=J;(5b)将从训练样本集随机且有放回选取的G个训练样本作为物品推荐模型J
t
的输入:(5b1)多维度特征嵌入网络中的用户多维度特征嵌入网络对每个训练样本中用户的三个特征嵌入进行提取,同时多维度特征嵌入网络中的物品多维度特征嵌入网络对每个训练样本中物品的三个特征嵌入进行提取;(5b2)特征提取网络中的低阶交互特征提取网络对用户的每个特征嵌入与物品的每个特征嵌入进行元素积操作,并对元素积操作得到的九个低阶交互特征向量进行融合,得到低阶交互特征嵌入,同时高阶交互特征提取网络对用户的每个特征嵌入与物品的每个特征嵌入进行两两外积操作,并对外积操作得到的九个二维外积矩阵进行堆叠,得到三维矩阵C,然后对C进行三维卷积得到高阶交互特征嵌入;(5b3)属性信息特征提取网络提取每个训练样本用户的属性特征和物品的属性特征,组成...
【专利技术属性】
技术研发人员:慕彩红,刘逸,雷东昌,王蓉芳,冯婕,刘波,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。