面向隐式推荐的可解释高效自编码器系统及方法技术方案

本发明专利技术提供了一种面向隐式推荐的可解释高效自编码器系统及方法，包括：步骤S1：基于所有用户和所有物品的交互记录建立交互矩阵；步骤S2：对交互矩阵进行预处理得到预处理后的交互矩阵；步骤S3：利用预处理后的交互矩阵对线性编码器模型进行训练得到训练后的线性编码器模型；步骤S4：基于用户和物品的交互记录利用训练后的线性编码器模型进行个性化推荐。用训练后的线性编码器模型进行个性化推荐。用训练后的线性编码器模型进行个性化推荐。

【技术实现步骤摘要】
面向隐式推荐的可解释高效自编码器系统及方法


[0001]本专利技术涉及推荐系统
，具体地，涉及面向隐式推荐的可解释高效自编码器系统及方法，更为具体地，涉及面向隐式推荐的可解释高效自编码器模型。

技术介绍

[0002]在隐式推荐中，如何利用用户和物品的交互记录来提高推荐的精确性，是研究的主要研究核心。
[0003]潜在因子分解模型奇异值分解(SVD)，该模型学习左奇异向量和右奇异向量矩阵来表示用户和物品。矩阵分解(MF)是最流行的协作过滤方法之一，它可以将用户和商品映射到低维嵌入空间，此外，神经网络矩阵分解(NNMF)通过将特征输入神经网络来模拟更复杂的交互，从而增强了以前的矩阵分解方法。
[0004]自动编码器模型经典自编码模型AutoRec将用户或项目的评分向量作为编码器的输入，由解码器对其进行重构。同样，变分自动编码器(VAE)也已经应用于推荐。基于用户的AutoRec和基于物品的AutoRec是互补的，联合协作两个AutoRec可以同时学到用户和用户之间的关系以及物品和物品之间的关系。
[0005]图网络模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向隐式推荐的可解释高效自编码器系统，其特征在于，包括：模块M1：基于所有用户和所有物品的交互记录建立交互矩阵；模块M2：对交互矩阵进行预处理得到预处理后的交互矩阵；模块M3：利用预处理后的交互矩阵对线性编码器模型进行批量并行训练，得到训练后的线性编码器模型；模块M4：基于用户和物品的交互记录利用训练后的线性编码器模型进行个性化推荐；所述线性编码器模型是通过对编码器中的输入进行预处理，以及对解码器应用权重矩阵进行分解实现了并行训练，并达到推荐的效果。2.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，所述步骤S2采用：通过L1归一化以及预设丢弃概率的dropout对输入到编码器中的批量大小的交互记录进行预处理，得到预处理后的交互记录。3.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，所述线性编码器模型包括编码器和解码器；所述编码器是基于用户或物品的交互记录，聚合用户或物品的邻居表示得到目标用户或者物品的表示；所述解码器是利用目标用户或物品的表示和解码器中的物品或者用户参数表示点积，获得预测的交互记录。4.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，在所述编码器模块中，编码器模块的矩阵表达式为：Z＝RW1其中，Z表示目标用户潜在表示；W1表示编码器的参数；R表示用户或物品的交互记录矩阵；R的维度是m*n，m表示用户的数量，n表示物品的数量；W1的维度是n*d,d表示隐藏层的维度。5.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统，其特征在于，在所述解码器模块中，解码器模块的矩阵表达式为：其中，表示预测的用户交互记录；W2表示解码器的权重参数，维度是d*n，d表示隐藏层的维度；n表示物品的数量。6.根据权利要求1所述的面向隐式推荐的可解释高效自编码器系统...

【专利技术属性】
技术研发人员：杨梓，沈艳艳，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：