一种基于深度属性信息融合的个性化推荐方法技术

本发明专利技术公开了一种基于深度属性信息融合的个性化推荐方法，与现有技术相比，本发明专利技术根据用户属性信息和物品属性信息进行编码和向量化处理，并采用两个独立的变分自编码器模块分别提取用户和物品属性信息的潜在特征；同时使用传统的矩阵分解算法分解用户物品历史交互数据信息，得到用户的偏好特征和物品对象的潜在特征；然后，将用户和物品属性信息的潜在特征与矩阵分解得到的用户和物品历史交互的潜在特征融合在一起，作为深度神经网络模块的输入，进行学习，最后进行评分预测和Top

【技术实现步骤摘要】
一种基于深度属性信息融合的个性化推荐方法


[0001]本专利技术涉及计算机
，特别是涉及一种基于深度属性信息融合的个性化推荐方法。

技术介绍

[0002]随着Web3.0的发展，互联网技术不断更新，使得网络中的数据爆炸式增长，出现了信息过载的问题，那么要在海量数据中发现有价值的信息就变得更困难，推荐技术的发展可以根据用户的历史评分信息，挖掘用户的偏好倾向，从而为用户进行个性化的推荐，但是传统的个性化推荐方法存在数据稀疏性和冷启动的难题，并且推荐结果的准确性低，错误率高。
[0003]目前的个性化推荐方法存在着推荐准确性不高，推荐性能差，后来在此基础上引入了用户的辅助信息，一定程度上提高了推荐系统的性能，但是仅考虑了用户的辅助信息，没有考虑用户和物品的相关属性信息，因此如何充分利用用户和物品的相关属性信息，提高推荐的准确性，降低推荐错误率，更是迫切需要研究的热点之一。

技术实现思路

[0004]本专利技术的目的就在于为了解决上述问题而提供一种基于深度属性信息融合的个性化推荐方法。
[0005]本专利技术通过以下技术方案来实现上述目的：
[0006]本专利技术首先假设已有用户
‑
物品评分矩阵、用户属性信息和物品属性信息，包括如下步骤：
[0007]步骤1：根据用户
‑
物品评分矩阵，进行矩阵分解，得到用户的隐特征和物品的隐特征；
[0008]步骤2：根据用户属性信息进行独热编码处理，输入到用户变分自编码器模块，得到用户属性信息的隐特征；
[0009]步骤3：根据物品属性信息进行独热编码处理，输入到物品变分自编码器模块，得到物品属性信息的隐特征；
[0010]步骤4：根据步骤1、步骤2和步骤3得到的用户和物品的隐特征、用户属性信息和物品属性信息的隐特征，进行特征融合；
[0011]步骤5：根据步骤4得到的融合特征，输入到深度神经网络模块；
[0012]步骤6：预测目标用户对物品的评分；
[0013]步骤7：根据步骤6得到的用户对物品的评分进行降序排列，把预测评分最高的K个物品推荐给目标用户，生成推荐列表。
[0014]作为本方案的进一步优化，所述步骤1中：令U表示用户集，且U＝{u1，u2，...，u
i
，...u
M
}，u
i
表示第i个用户，1≤i≤M，M表示用户总数；令V表示物品集，且V＝{v1，v2，...，v
j
，...，v
N
}，v
j
表示第j个物品，1≤j≤N，N表示物品总数；令r
ij
表示第i个用户u
i
对第j个物
品v
j
的评分值，则用户对物品的评分矩阵为R＝{r
ij
}
M
×
N
，若第i个用户u
i
对第j个物品v
j
有评分，则r
ij
＝1，否则r
ij
＝0；根据用户
‑
物品评分矩阵，进行矩阵分解，采用公式(1)作为目标函数进行训练，得到用户的隐特征P和物品的隐特征Q；
[0015][0016]其中，R表示用户对物品对象给出的实际分值，表示预测的用户对物品对象的分值，即λ表示正则化系数。
[0017]作为本方案的进一步优化，所述步骤2中：根据用户属性信息进行独热编码处理，构造用户属性信息矩阵X＝{X1，X2，...，X
i
，...X
M
}，其中，X
i
表示第i用户的N维用户属性信息向量，该用户属性信息向量X
i
＝[0，1，...，1，...，0，0]，输入到用户变分自编码器模块，进行学习，得到用户属性信息的隐特征Z
u
；x和分别代表原始输入和重构后的输入，h
inf
和h
gen
代表推断网络和生成网络的隐藏层，θ
u
和代表两个概率分布和的参数；和分别对应于由θ
u
和参数化的生成网络和推断网络；ε
u
是噪声变量并且维数与用户属性信息潜在表示z
u
的维数一样；用户属性信息的潜在表示z
u
服从高斯分布；
[0018]对于每个用户u
i
，生成网络通过采样D维潜在表示服从标准高斯先验分布，即样本变量x
i
通过其潜在变量生成，是通过带有参数θ
u
的多层神经网络实现，即可以从多元伯努利分布或高斯分布生成；我们使用KL的值来近似估计它们的近似程度；使用Monte Carlo方法不断地采集样本，通过使用重新参数化技巧，对数似然函数的变分下界进行估计：
[0019][0020]在公式(3)中，ε
u
～N(0，I)，D是相关属性信息潜在特征的维度，L表示对于每个样本x，根据总共采样L个样本。
[0021]作为本方案的进一步优化，所述步骤3中：根据物品属性信息进行独热编码处理，根据用户属性信息进行独热编码处理，构造用户属性信息矩阵Y＝{Y1，Y2，...，Y
j
，...X
N
}，其中，Y
j
表示第j用户的M维用户属性信息向量，该用户属性信息向量Y
j
＝[1，1，...，0，...，0，1]，输入到物品变分自编码器模块，得到物品属性信息的隐特征Z
v
；物品变分自编码器模块中，生成网络和推断网络设置与步骤2中相同；目标函数可以定义如下：
[0022][0023]在公式(4)中，ε
v
～N(0，1)，D是潜在特征向量z
v
的维度；L表示对于每个样本y，根据总共采样L个样本。
[0024]作为本方案的进一步优化，所述步骤4中：根据步骤1、步骤2和步骤3得到的用户和物品的隐特征、用户属性信息和物品属性信息的隐特征，进行融合；使用公式(5)得到用户U的潜在表示向量：
[0025]U＝Z
u
+P
ꢀꢀꢀꢀꢀ
(5)
[0026]使用公式(6)得到物品V的潜在表示向量：
[0027]V＝Z
v
+Q
ꢀꢀꢀꢀ
(6)
[0028]我们将用户和物品的嵌入向量进行哈达玛积运算，即U
°
V，作为用户
‑
物品交互行为建模，并将此向量与用户和物品的嵌入向量进行连接，即Z＝[U，V，U
°
V]。
[0029]作为本方案的进一步优化，所述步骤5中：根据步骤4得到的结果，输入到深度神经网络模块。
[0030]Z＝[U，U
°
V，V]作为深度神经网络模块的输入；第l隐藏层的输出可以使用公式(7)得到：
[0031本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度属性信息融合的个性化推荐方法，其特征在于，假设已有用户
‑
物品评分矩阵、用户属性信息和物品属性信息，包括如下步骤：步骤1：根据用户
‑
物品评分矩阵，进行矩阵分解，得到用户的隐特征和物品的隐特征；步骤2：根据用户属性信息进行独热编码处理，输入到用户变分自编码器模块，得到用户属性信息的隐特征；步骤3：根据物品属性信息进行独热编码处理，输入到物品变分自编码器模块，得到物品属性信息的隐特征；步骤4：根据步骤1、步骤2和步骤3得到的用户和物品的隐特征、用户属性信息和物品属性信息的隐特征，进行特征融合；步骤5：根据步骤4得到的融合特征，输入到深度神经网络模块；步骤6：预测目标用户对物品的评分；步骤7：根据步骤6得到的用户对物品的评分进行降序排列，把预测评分最高的K个物品推荐给目标用户，生成推荐列表。2.根据权利要求1所述的一种基于深度属性信息融合的个性化推荐方法，其特征在于：所述步骤1中：令U表示用户集，且U＝{u1，u2，...，u
i
，...u
M
}，u
i
表示第i个用户，1≤i≤M，M表示用户总数；令V表示物品集，且V＝{v1，v2，...，v
j
，...，v
N
}，v
j
表示第j个物品，1≤j≤N，N表示物品总数；令r
ij
表示第i个用户u
i
对第j个物品v
j
的评分值，则用户对物品的评分矩阵为R＝{r
ij
}
M
×
N
，若第i个用户u
i
对第j个物品v
j
有评分，则r
ij
＝1，否则r
ij
＝0；根据用户
‑
物品评分矩阵，进行矩阵分解，采用公式(1)作为目标函数进行训练，得到用户的隐特征P和物品的隐特征Q；其中，R表示用户对物品对象给出的实际分值，表示预测的用户对物品对象的分值，即λ表示正则化系数。3.根据权利要求1所述的一种基于深度属性信息融合的个性化推荐方法，其特征在于：所述步骤2中：根据用户属性信息进行独热编码处理，构造用户属性信息矩阵X＝{X1，X2，...，X
i
，...X
M
}，其中，X
i
表示第i用户的N维用户属性信息向量，该用户属性信息向量X
i
＝[0，1，...，1，...，0，0]，输入到用户变分自编码器模块，进行学习，得到用户属性信息的隐特征Z
u
；x和分别代表原始输入和重构后的输入，h
inf
和h
gen
代表推断网络和生成网络的隐藏层，θ
u
和代表两个概率分布和的参数；和分别对应于由θ
u
和参数化的生成网络和推断网络；ε
u
是噪声变量并且维数与用户属性信息潜在表示z
u
的维数一样；用户属性信息的潜在表示z
u
服从高斯分布；对于每个用户u
i
，生成网络通过采样D维潜在表示服从标准高斯先验分布，即样本变量x
i
通过其潜在变量生成，是通过带有参数θ
u
的多层神经网络实现，即可以从多元伯努利分布或高斯分布生成；我们使用KL的值来近似估计它们的近似程度；使用Monte Carlo方法不断地采集样...

【专利技术属性】
技术研发人员：穆瑞辉，张继英，王晓洁，霍佳雯，赵甜甜，
申请(专利权)人：新乡学院，
类型：发明
国别省市：