一种基于深度神经网络与双正则化的视频评分预测方法技术

本发明专利技术涉及一种基于深度神经网络与双正则化的视频评分预测方法，重构用户

【技术实现步骤摘要】
一种基于深度神经网络与双正则化的视频评分预测方法


[0001]本专利技术涉及一种基于深度神经网络与双正则化的视频评分预测方法，属于评分预测领域。

技术介绍

[0002]随着互联网技术的快速发展，各个网络平台中视频资源越来越多，为用户提供丰富的视频资源，为用户提供更多的选择时，也给我们带来了麻烦和困扰，庞大的视频资源不仅增加了我们寻找自己喜好视频的难度，而且使得寻找视频的过程变得十分耗费时间。为了解决信息过载问题，个性化推荐系统成为解决这一个问题的有效工具。评分预测又是推荐算法的重要组成部分。现有的推荐算法主要有三大类：基于协同过滤的推荐算法、基于内容的推荐算法和混合推荐算法。目前使用最多的是基于协同过滤的推荐算法，而协同过滤推荐算法中使用最多的是基于模型的协同过滤推荐算法，基于模型的协同过滤推荐算法中比较常见的几种算法包括：矩阵分解模型、奇异值分解、聚类分析等。但是现存的协同过滤推荐算法存在数据稀疏及冷启动等问题，导致对推荐的视频资源评分预测不准确，从而影响个性化推荐的结果，如何提高对视频资源的预测评分的准确性，进一步提高推荐精度成为当前研究的热点之一。

技术实现思路

[0003]本专利技术的目的在于针对上述现有技术的不足，提供了一种基于深度神经网络与双正则化的视频评分预测方法，重构用户
‑
视频评分矩阵，在矩阵分解时引入融入用户活跃度的视频关联正则项和可靠的最近邻正则项来约束潜在特征矩阵的学习，并引入深度神经网络，利用深度神经网络的非线性特征减轻矩阵分解过程中的线性点积的限制，将深度神经网络模型的结果与双正则化矩阵分解的结果相结合，提高视频评分预测的精度。
[0004]本专利技术采用的技术方案如下：一种基于深度神经网络与双正则化的视频评分预测方法，用于提高对推荐视频评分预测的精度，具体包括如下步骤：
[0005]步骤S1：对视频评论进行处理，挖掘出隐藏信息，并将隐藏信息矩阵与原始用户
‑
视频评分矩阵相结合生成新的用户
‑
视频评分矩阵，并进入步骤S2；
[0006]步骤S2：对用户
‑
视频评分矩阵分解时加入双正则项约束潜在特征矩阵的学习，每个用户对视频的评分都会对视频相似度做出一定的贡献，用户贡献却不完全相同，从用户的活跃度考虑能够分为活跃用户和不活跃用户，活跃用户指的是对视频有大量的评分记录的用户，而不活跃用户是指只对少数视频进行评分记录的用户，所以在计算视频相似度时应将活跃用户和不活跃用户的贡献区分开，用户的活跃度定义为：
[0007]公式1
[0008]在公式1中，表示用户u的评分总量，因此用户的活跃度系数结合修正的余弦相似度得到的视频相似度计算方法为：
[0009]公式2
[0010]在公式2中，表示用户u对视频i的评分，表示用户u对视频j的评分，表示用户u的评分评分，表示同时对视频i和j有过评分的用户集合；在矩阵分解时引入融入用户活跃度的视频关联正则项约束项目潜在特征矩阵的学习，此时融入用户活跃度的视频关联正则化约束函数公式为：
[0011]公式3
[0012]在公式3中，V表示视频特征矩阵，V
j
是视频j的潜在特征向量，V
i
是视频i的潜在特征向量，并进入步骤S3；
[0013]步骤S3：将矩阵分解出的潜在特征向量作为多层感知机的输入，经过多层感知机处理得到多层感知机模型预测的结果，并进入步骤S4；
[0014]步骤S4；在合并层将多层感知机模型预测的结果与矩阵分解的结果相结合，使用归一化交叉熵法来优化模型，得到最终预测得分。
[0015]作为本专利技术的一种优选技术方案：所述步骤S1中，首先利用LDA模型挖掘用户视频评论中相关类型的隐藏信息，生成用户类型潜在特征矩阵LU和视频类型潜在特征矩阵LV，并将用户类型潜在特征矩阵与视频类型潜在特征矩阵相结合得
[0016]到隐藏信息矩阵L，其计算公式为：
[0017] 公式4
[0018]并将隐藏信息矩阵L与原始用户
‑
视频评分矩阵R相结合生成新的用户
‑
视频评分矩阵，其计算公式为：
[0019]公式5
[0020]作为本专利技术的一种优选技术方案：所述步骤S2中，相同兴趣爱好的用户会互相影响，用户相似度可以使用加权的皮尔逊相关系数进行计算：
[0021]公式6
[0022]在公式6中，和分别代表用户u和v的平均评分，表示用户u对视频i的评分，表示用户v对视频i的评分，表示用户u评论过的视频集合，表示用户v评论过的视频集合，为权重即能够影响用户相似度计算的项目的Jaccard相关系数，其计算公式如下：
[0023]公式7
[0024]其中，表示用户u评论过的视频集合，表示用户v评论过的视频集合；
[0025]用户对项目的评分取决于邻近用户的影响，也可能受到邻近用户的邻近用户的影响，但是一定距离后的邻近用户不会在对用户有所影响即变得不在可靠，因此引进可靠值，
可靠值大于一定值的邻近用户会对用户项目评分有影响，可靠值计算方式为：
[0026]公式8
[0027]在公式8中，表示用u对视频i的评分，表示用户v对视频i的评分，表示用户u评论过的视频集合，表示用户v评论过的视频集合，表示评分的最大值，表示信任距离即用户u和用户v之间存在的用户人数，表示两个用户之间允许的最大距离，是为修正参数，是一个大于0小于1的数，可靠的最近邻用户为
[0028]公式9
[0029]在矩阵分解时引入可靠的最近邻正则项来约束用户潜在特征矩阵的学习，可靠的最近邻正则项约束函数为：
[0030]。公式10
[0031]其中，为用户u的潜在向量，为用户v的潜在特征向量。
[0032]作为本专利技术的一种优选技术方案：所述步骤S3中，将用户潜在特征向量与视频潜在特征向量作为多层感知机的输入，其中该深度神经网络由多层感知机、单层感知机组成，其中多层感知机包括输入层、若干个允许神经结构非线性的隐藏层和输出层，利用隐藏层的非线性特征，通过多层感知机处理得到多层感知机模型的结果。
[0033]作为本专利技术的一种优选技术方案：所述步骤S4中，在该深度神经网络结构中单层感知机为合并层，在合并层将多层感知机模型的预测结果与双正则化矩阵分解模型的结果相结合，其计算公式为：
[0034]公式11
[0035]在公式11中为激活函数，为输出层与合并层之间的矩阵权重集，为输出层的结果，为用户潜在向量，为视频潜在向量，为合并层的偏差项，使用归一化交叉熵法来优化模型，最终得到预测评分。
[0036]有益效果：
[0037]1. 本专利技术引入融入用户活跃度的视频关联正则项和可靠的最近邻正则项来约束潜在特征矩阵的学习，利用深度神经网络的非线性结构来减轻矩阵分解过程中线性点积的限制，并将深度神经网络模型的结果与双正则化矩阵分解的结果相结合，提高了视频评分预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络与双正则化的视频评分预测方法，其特征在于，所述方法包括如下步骤：步骤S1：对视频评论进行处理，挖掘出隐藏信息，并将隐藏信息矩阵与原始用户
‑
视频评分矩阵相结合生成新的用户
‑
视频评分矩阵，并进入步骤S2；步骤S2：对用户
‑
视频评分矩阵分解时加入双正则项约束潜在特征矩阵的学习，每个用户对视频的评分都会对视频相似度做出一定的贡献，用户贡献却不完全相同，从用户的活跃度考虑能够分为活跃用户和不活跃用户，活跃用户指的是对视频有大量的评分记录的用户，而不活跃用户是指只对少数视频进行评分记录的用户，所以在计算视频相似度时应将活跃用户和不活跃用户的贡献区分开，用户的活跃度定义为：公式1在公式1中，表示用户u的评分总量，因此用户的活跃度系数结合修正的余弦相似度得到的视频相似度计算方法为：公式2在公式2中，表示用户u对视频i的评分，表示用户u对视频j的评分，表示用户u的评分评分，表示同时对视频i和j有过评分的用户集合；在矩阵分解时引入融入用户活跃度的视频关联正则项约束项目潜在特征矩阵的学习，此时融入用户活跃度的视频关联正则化约束函数公式为：公式3在公式3中，V表示视频特征矩阵，V
j
是视频j的潜在特征向量，V
i
是视频i的潜在特征向量，并进入步骤S3；步骤S3：将矩阵分解出的潜在特征向量作为多层感知机的输入，经过多层感知机处理得到多层感知机模型预测的结果，并进入步骤S4；步骤S4：在合并层将多层感知机模型预测的结果与矩阵分解的结果相结合，使用归一化交叉熵法来优化模型，得到最终预测得分。2.根据权利要求1所述的一种基于深度神经网络与双正则化的视频评分预测方法，其特征在于：所述步骤S1中，首先利用LDA模型挖掘用户视频评论中相关类型的隐藏信息，生成用户类型潜在特征矩阵LU和视频类型潜在特征矩阵LV，并将用户类型潜在特征矩阵与视频类型潜在特征矩阵相结合得到隐藏信息矩阵L，其计算公式为： 公式4并将隐藏信息矩阵L与原始用户
‑
视频评分矩阵R相结合生成新的用户
‑
视频评分矩阵，其计算公式为：公式5。3.根据权...

【专利技术属性】
技术研发人员：赵学健，张晶晶，孙知信，孙哲，曹亚东，宫婧，汪胡青，胡冰，徐玉华，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：