一种基于矩阵分解和BP神经网络的公平推荐方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和BP神经网络的公平推荐方法和装置，其中，该方法包括：存取推荐所需的关系图谱信息，基于关系图谱信息，使用字符串处理库对字符串进行数据预处理，以得到预处理函数；基于预处理函数，使用预定义划分公式将所有的待推荐物品划分为热门物品和非热门物品；对于热门物品的推荐，对热门物品使用BP神经网络训练残差，将残差融合到MF算法中，以得出第一推荐评分；对于非热门物品的推荐，使用用户预先给出的信息，利用公平推荐算法，计算得到第二推荐评分；根据第一推荐评分和第二推荐评分，获取预设个数进行推荐。本发明专利技术实现了针对非热门物品的公平推荐，在推荐系统中融入了情景因素，提升了推荐的准确性。确性。确性。

【技术实现步骤摘要】
一种基于矩阵分解和BP神经网络的公平推荐方法和装置


[0001]本专利技术涉及推荐算法领域，尤其涉及一种基于矩阵分解和BP神经网络的公平推荐方法和装置。

技术介绍

[0002]现有的推荐算法大多是针对其推荐准确率的提高。但是随着推荐算法的广泛应用，推荐的公平性问题也逐步显露。首先是被推荐物品在推荐系统中受到不公平展示机会的问题，其次是公平性基础上推荐准确率的问题，具体表现为：
[0003](1)没有解决非热门物品的公平性推荐问题。
[0004]非热门物品存在数据稀疏的问题，这导致了非热门物品中大量的可能受欢迎的物品无法推荐或者难以被推荐，严重影响了推荐系统的公平性。
[0005](2)MF(MatrixFactorization，矩形分解)方法中没有加入推荐物品的情景信息
[0006]被推荐的物品可能受到当前的情景引入，比如电影的评分可能受到价格、演员、导演等因素的影响。然而，当前的MF方法无法将这些对于物品推荐会产生影响的情景因素融入到此模型。

技术实现思路

[0007]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0008]为此，本专利技术的目的在于解决非热门物品的公平性推荐，以及现有技术中缺乏考虑情景因素的问题，提出了一种基于矩阵分解和BP神经网络的公平推荐方法。
[0009]本专利技术的另一个目的在于提出一种基于矩阵分解和BP神经网络的公平推荐装置。
[0010]为达上述目的，本专利技术一方面提出了基于矩阵分解和BP神经网络的公平推荐方法，包括以下步骤：
[0011]S1，存取推荐所需的关系图谱信息，基于关系图谱信息，使用字符串处理库对字符串进行数据预处理，以得到预处理函数；
[0012]S2，基于预处理函数，使用预定义划分公式将所有的待推荐物品划分为热门物品和非热门物品；
[0013]S3，对于热门物品的推荐，对热门物品使用BP神经网络训练残差，将残差融合到MF算法中，以得出第一推荐评分；
[0014]S4，对于非热门物品的推荐，使用用户预先给出的信息，利用公平推荐算法，计算得到第二推荐评分；
[0015]S5，根据第一推荐评分和第二推荐评分，获取预设个数进行推荐。
[0016]本专利技术实施例的基于矩阵分解和BP神经网络的公平推荐方法，通过存取推荐所需的关系图谱信息，基于关系图谱信息，使用字符串处理库对字符串进行数据预处理，以得到预处理函数；基于预处理函数，使用预定义划分公式将所有的待推荐物品划分为热门物品和非热门物品；对于热门物品的推荐，对热门物品使用BP神经网络训练残差，将残差融合到
MF算法中，以得出第一推荐评分；对于非热门物品的推荐，使用用户预先给出的信息，利用公平推荐算法，计算得到第二推荐评分；根据第一推荐评分和第二推荐评分，获取预设个数进行推荐。本专利技术实现了针对非热门物品的公平推荐，在推荐系统中融入了情景因素，提升了推荐的准确性。
[0017]另外，根据本专利技术上述实施例的基于矩阵分解和BP神经网络的公平推荐方法还可以具有以下附加的技术特征：
[0018]进一步地，步骤S2，包括：
[0019]通过计算划分热门物品推荐和非热门物品推荐，规定用户进行推荐的物品的个数为N，则非热门物品的数量为n
unpopular
＝int(ω*N)，热门物品的数量为N
‑
n
unpopular
。
[0020]进一步地，步骤S3，包括：
[0021]S31，根据场景信息的特征化，通过归一化方差选择法将场景数据处理成用于深度学习模型训练的数据；
[0022]S32，通过偏差训练在矩阵分解MF模型中融入场景因素，偏差训练是使用特征化处理后的用于深度学习模型训练的数据，并通过BP神经网络进行训练；
[0023]S33，通过融合场景因素的矩阵分解MF模型，预测出用户对物品的评分。
[0024]进一步地，步骤S32，包括：
[0025]S321，将由场景因素引起的评价偏差，经过神经网络离线训练融合到矩阵分解MF模型中，过程为下述公式：
[0026][0027]S322，预测用户对物品评分的计算公式为下述公式：
[0028][0029]S323，在训练过程中参数的更新为下述公式：
[0030]b
u
←
b
u
+γb
u
(err
‑
λ)b
u
，
[0031]b
p
←
b
p
+γb
p
(err
‑
λ)b
p
，v
u
←
v
u
+γv
u
(err
*
q
p
‑
λv
u
)，
[0032]q
p
←
q
p
+γq
p
(err
*
v
u
‑
λq
p
)；
[0033]S324，进行损失函数的拟合，计算训练集中的每个评分误差为：
[0034][0035]S325，BP神经网络分为输入层、隐藏层和输出层。
[0036]进一步地，步骤S4，包括：
[0037]S41，构建物品属性向量为S
i
＝[a1，a2，...，a
j
]，构建用户喜好向量为U＝[x
i
，x2，...，x
j
]；
[0038]S42，基于所述物品属性向量和所述用户喜好向量，计算用户是否喜好物品的属性，公式为利用余弦相似度计算用户喜好与物品特征之间的距离，公式为
[0039]S43，基于所述用户喜好与物品特征之间的距离，对公平因子进行修正为p
i
＝cos(U，S
i
)
*
f
i
，以及对p
i
进行归一化得到推荐的公平因子p
i
；
[0040]S44，基于所述推荐的公平因子p
i
，得到公平推荐算法为下述公式：
[0041][0042]为达到上述目的，本专利技术另一方面提出了一种基于矩阵分解和BP神经网络的公平推荐装置，包括：
[0043]数据预处理模块，用于存取推荐所需的关系图谱信息，基于关系图谱信息，使用字符串处理库对字符串进行数据预处理，以得到预处理函数；
[0044]类别划分模块，用于基于预处理函数，使用预定义划分公式将所有的待推荐物品划分为热门物品和非热门物品；
[0045]热门物品推荐模块，用于对于热门物品的推荐，对热门物品使用BP神经网络训练残差，将残差融合到MF算法中，以得出第一推荐评分；
[0046]非热本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于矩阵分解和BP神经网络的公平推荐方法，其特征在于，包括以下步骤：S1，存取推荐所需的关系图谱信息，基于所述关系图谱信息，使用字符串处理库对字符串进行数据预处理，以得到预处理函数；S2，基于所述预处理函数，使用预定义划分公式将所有的待推荐物品划分为热门物品和非热门物品；S3，对于所述热门物品的推荐，对所述热门物品使用BP神经网络训练残差，将所述残差融合到MF算法中，以得出第一推荐评分；S4，对于所述非热门物品的推荐，使用用户预先给出的信息，利用公平推荐算法，计算得到第二推荐评分；S5，根据所述第一推荐评分和所述第二推荐评分，获取预设个数进行推荐。2.根据权利要求1所述的基于矩阵分解和BP神经网络的公平推荐方法，其特征在于，所述S2，包括：通过计算划分热门物品推荐和非热门物品推荐，规定用户进行推荐的物品的个数为N，则非热门物品的数量为n
unpopular
＝int(ω*N)，热门物品的数量为N
‑
n
unpopular
。3.根据权利要求1所述的基于矩阵分解和BP神经网络的公平推荐方法，其特征在于，所述S3包括：S31，根据场景信息的特征化，通过归一化方差选择法将场景数据处理成用于深度学习模型训练的数据；S32，通过偏差训练在矩阵分解MF模型中融入场景因素，所述偏差训练是使用特征化处理后的所述用于深度学习模型训练的数据，并通过BP神经网络进行训练；S33，通过融合场景因素的矩阵分解MF模型，预测出用户对物品的评分。4.根据权利要求3所述的基于矩阵分解和BP神经网络的公平推荐方法，其特征在于，所述S32，包括：S321，将由场景因素引起的评价偏差，经过神经网络离线训练融合到矩阵分解MF模型中，过程为下述公式：S322，预测用户对物品评分的计算公式为下述公式：S322，预测用户对物品评分的计算公式为下述公式：S323，在训练过程中参数的更新为下述公式：b
u
←
b
u
+γb
u
(err
‑
λ)b
u
，b
p
←
b
p
+γb
p
(err
‑
λ)b
p
，v
u
←
v
u
+γv
u
(err
*
q
p
‑
λv
u
)，q
p
←
q
p
+γq
p
(err
*
v
u
‑
λq
p
)；S324，进行损失函数的拟合，计算训练集中的每个评分误差为:S325，BP神经网络分为输入层、隐藏层和输出层。5.根据权利要求1所述的基于矩阵分解和BP神经网络的公平推荐方法，其特征在于，所述S4，包括：
S41，构建物品属性向量为S
i
＝[a1,a2,...,a
j
]，构建用户喜好向量为U＝[x
i
,x2,...,x
j
]；S42，基于所述物品属性向量和所述用户喜好向量，计算用户是否喜好物品的属性，公式为利用余弦相似度计算用户喜好与物品特征之间的距离，公式为S43，基于所述用户喜好与物品特征之间的距离，对公平因子进行修正为p
i
＝cos(U,S
i
)*f
i
，以及对p
i
进行归一化得到推荐的公平因子p
i
；S44，基于所述推荐的公平因子p
i
，得到公平推荐算法为下述公式：6.一种基于矩阵分解和BP神经网络的公平推荐装置，其特征在于，包括：数据预处理模块，用于存取推荐...

【专利技术属性】
技术研发人员：仇瑜，褚晓泉，高云鹏，刘德兵，房小涵，黄朝园，李青，
申请(专利权)人：北京智谱华章科技有限公司，
类型：发明
国别省市：