协同过滤推荐方法、服务器及存储介质技术

本发明专利技术公开了一种协同过滤推荐方法、服务器及存储介质，涉及信息推荐技术领域。方法包括以下步骤：训练样本，获得用户和项目向量集合；使用自动编码器对向量进行编码和解码，获得潜在表征集合；计算潜在表征的元素乘积φ1；级联用户

【技术实现步骤摘要】
协同过滤推荐方法、服务器及存储介质


[0001]本专利技术涉及信息推荐
，具体是涉及一种基于双自动编码器的协同过滤推荐方法、服务器及存储介质。

技术介绍

[0002]随着网络的迅速发展，网上信息量大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，导致信息过载问题日益严重。推荐系统在缓解信息过载方面发挥着重要作用，它根据用户的信息需求、兴趣等将用户感兴趣的信息、产品等推荐给用户，已被广泛应用于许多在线服务。协同过滤是实现个性化推荐的一种有效方法，它一般采用最近邻技术，利用用户的历史偏好信息计算用户之间的距离，然后利用目标用户最近邻用户对商品的评价的加权评价值来预测目标用户对特定商品的偏好，这样系统就可以根据这个偏好推荐目标用户。
[0003]矩阵分解(MF)是最常用的协同过滤技术，它在共享的潜在空间中表示用户和项目，并使用其潜在向量重建用户与项目的交互。MF采用了一种简单的线性分解，这可能不足以建模复杂的用户
‑
项目交互。为了解决这个问题，神经协同过滤(NCF)采用用户嵌入和项目嵌入的级联作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种协同过滤推荐方法，其特征在于，包括以下步骤：步骤1、从数据集中选择样本，构建用户
‑
项目交互矩阵，从所述用户
‑
项目交互矩阵中选择m个用户向量和n个项目向量作为训练样本，获得用户向量集合{U1,
…
,U
m
}和项目向量集合{V1,
…
,V
n
}；步骤2、分别使用自动编码器对所述用户向量和所述项目向量进行编码和解码，获得用户潜在表征集合{U
′1,
…
,U
′
m
}和项目潜在表征集合{V
′1,
…
,V
′
n
}；步骤3、计算用户潜在表征和项目潜在表征的元素乘积φ1；步骤4、级联用户潜在表征和项目潜在表征，并作为多层感知器的输入，计算多层感知器的输出值φ2；步骤5、级联所述元素乘积φ1和所述多层感知器的输出值φ2，并计算预测评分构建损失函数，优化求解模型参数；步骤6、迭代重复所述步骤3至所述步骤5，直至模型收敛，输出协同过滤推荐模型；步骤7、验证分类效果，预测样本的标签，并与真实标签进行对比，计算分类总体精度。2.如权利要求1所述的协同过滤推荐方法，其特征在于，所述步骤2中自动编码器的学习潜在表征的目标函数如下：习潜在表征的目标函数如下：其中，U
i
代表原始用户向量，代表重构用户向量，V
j
代表原始项目向量，代表重构项目向量；其中，U
′
i
＝σ(W1U
i
+b1)V
′<...

【专利技术属性】
技术研发人员：刘新宇，杜博，王增茂，
申请(专利权)人：武汉大学，
类型：发明
国别省市：