基于Lorenz混沌自适应的推荐方法技术

本发明专利技术公开了基于Lorenz混沌自适应的推荐方法包括，定义电影推荐的评分预测问题；建立电影评分模型，建立模型超参数；求解最优超参数；将最优超参数代入电影评分模型的损失函数中，并将由评分矩阵分解的用户矩阵和电影矩阵进行初始化操作；迭代求解出最优的用户矩阵与电影矩阵；输出预测评分矩阵。本方法可以解决电影推荐系统中人为选定超参数初始化困难的问题，与传统方法相比，能够有效避免最优解为局部最小值的问题以及解决传统的推荐方法随着调优超参数的增多，网格搜索所消耗的计算资源和时间急剧增加且稳定性较差的问题，同时本方法还提出了一种自适应学习率的方法来满足每个电影评分条目对学习率的不同要求。足每个电影评分条目对学习率的不同要求。足每个电影评分条目对学习率的不同要求。

【技术实现步骤摘要】
基于Lorenz混沌自适应的推荐方法


[0001]本专利技术涉及个性化推荐
，尤其涉及基于Lorenz混沌自适应的推荐方法。

技术介绍

[0002]互联网发展给人们的衣食住行带来便利同时，过量的信息使得人们无法及时做出选择，由此产生了信息过载的问题。影视产业随着互联网兴起随之发展，各种类型的电影层出不穷，人们在选择电影时同样面临着信息过载问题。电影具有时长长，人物感情丰富，质量高等特点，与此同时，相比于短视频内容的审核，电影内容的审核更加严格，虽然在内容上电影优于短视频，但是短视频种类更具多样化使得短视频受众用户更加精准，因此准确而高效的电影内容推荐是当下面临的问题之一。
[0003]现有的研究工作中主要针对用户评分矩阵稀疏问题进行改进，协同过滤算法是当下应用最为广泛的推荐算法之一，其中用于电影推荐的矩阵分解方法(Matrix Factorization简称MF)是当下基于模型的常用的协同过滤算法之一，该算法的核心思想为将用户评分矩阵根据隐含因子k进行分解，分解成用户向量和物品向量，然后进行训练，最终可对未评分数据进行预测。针对当前面临的用户评分矩阵稀疏的问题、预测精准度不高的问题，采用矩阵分解方法相往往可以取得良好效果。专利CN202210859685.X采用聚类与稀疏矩阵填充的方法缓解了电影评分矩阵稀疏度的问题、专利CN202010847184.0通过构建DeepFM推荐系统网络提高了用户发现电影惊喜的程度、专利CN202110827904.1采用多模态的方法，将文本信息与视觉信息相融合，进一步提高电影推荐系统的准确度。
[0004]以上方法在对显式信息和隐式信息进行充分利用，缓解电影评分矩阵稀疏度问题，通过解决稀疏度问题来提供预测的准确性。然而，上述方法大多数都忽略了超参数初始化的影响，超参数一般是指事先给定的用来控制学习过程的参数，超参数的选择通常对于电影内容推荐的效率与训练模型时所花费的时间有决定性作用。事实上，当超参数选择的误差很大时，会严重的影响预测效果，因此，模型中超参数的选择也是提高模型准确度的一项重要因素。然而，现有模型的超参数选择方法主要为：网格搜索、随机搜索、贝叶斯优化方法，网格搜索为通过设定一系列超参数可能的取值，然后依次遍历组合来求得在该超参数组合下模型和性能，最终求得一组最优超参数，其缺点为随着调优超参数的增多，网格搜索所消耗的计算资源和时间急剧增加；随机搜索的思想与网格搜索类似，但其通过随机采样的方式确定一组超参数，使用这种方法大概率能够确定全局最优值，但是由于采用随机的方式，其稳定性比较差；贝叶斯优化是通过对目标和函数进行学习，找到使目标函数向全局最优值提升的超参数，该方法的缺点为很容易陷入局部最优值。以上超参数查找方法均存在一定的缺点，无法满足进一步提升模型性能的需求。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部
分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述现有存在的问题，提出了本专利技术。
[0007]因此，本专利技术提供了基于Lorenz混沌自适应的推荐方法，能够解决传统的推荐方法随着调优超参数的增多，网格搜索所消耗的计算资源和时间急剧增加且稳定性较差的问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案，基于Lorenz混沌自适应的推荐方法，包括：
[0009]定义电影推荐的评分预测问题；
[0010]建立电影评分模型，建立模型超参数；
[0011]求解最优超参数；
[0012]将最优超参数代入电影评分模型的损失函数中，并将由评分矩阵分解的用户矩阵和电影矩阵进行初始化操作；
[0013]迭代求解出最优的用户矩阵与电影矩阵；
[0014]输出预测评分矩阵。
[0015]作为本专利技术所述的基于Lorenz混沌自适应的推荐方法的一种优选方案，其中：所述定义电影推荐的评分预测问题包括，将电影评分推荐问题描述为数学上的评分预测问题，将用户对电影的评分数据集转换为用户对电影的评分矩阵，然后定义电影推荐的评分预测问题。
[0016]作为本专利技术所述的基于Lorenz混沌自适应的推荐方法的一种优选方案，其中：所述建立电影评分模型包括，根据评分预测问题构建电影评分推荐模型，将电影评分推荐模型中所需超参数的求解视为优化问题，所述优化问题的解为超参数所构成的集合，优化问题的求解公式如下：
[0017]P
Best
＝min F(P)
[0018]采用评估函数F对解集合中的每一个解进行评估，找出使用F所得到的值最小的解为最优解。
[0019]作为本专利技术所述的基于Lorenz混沌自适应的推荐方法的一种优选方案，其中：所述建立模型超参数包括，根据电影评分模型定义的超参数求解模型采用混沌迭代优化方法求解最优超参数组。
[0020]作为本专利技术所述的基于Lorenz混沌自适应的推荐方法的一种优选方案，其中：所述初始化操作包括，采用混沌方法初始化解集合，对于整数类型超参数采用如下公式进行求解：
[0021][0022][0023]其中，对于任意数A,[A]表示取A整数部分，结合公式最终生成[1,100]内的混沌整数r2，x0,y0,z0表示Lorenz方程中的状态变量，a,b,q表示控制变量，a0,b0,q0,t0为量级为10
‑2中的任意随机数，x表示x0经过微分变换后在x轴上的坐标，y表示y0经过微分变换后在y轴上的坐标,z表示z0经过微分变换后在y轴上的坐标，d
x
表示x0在时间t上的微分，d
y
表示y0在时间t上的微分，d
z
表示z0在时间t上的微分,d
t
表示在时间上的微分；
[0024]对于分数类型的超参数采用如下公式进行求解：
[0025][0026][0027]其中，x0,y0,z0表示Lorenz方程中的状态变量，a,b,q表示控制变量，a0,b0,q0,t0为量级为10
‑2中的任意随机数，x表示x0经过微分变换后在x轴上的坐标，y表示y0经过微分变换后在y轴上的坐标,z表示z0经过微分变换后在y轴上的坐标，d
x
表示x0在时间t上的微分，d
y
表示y0在时间t上的微分，d
z
表示z0在时间t上的微分,d
t
表示在时间上的微分，结合公式求得混沌分数r1。
[0028]作为本专利技术所述的基于Lorenz混沌自适应的推荐方法的一种优选方案，其中：所述最优解包括，使用评估函数F对解集合P中的每一个解进行代入求解得到一个F值构成的集合F
list
，F
list
＝{F
h
|h∈[1,k]}，其中h与解集合的中的解相对应；
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Lorenz混沌自适应的推荐方法，其特征在于：包括，定义电影推荐的评分预测问题；建立电影评分模型，建立模型超参数；求解最优超参数；将最优超参数代入电影评分模型的损失函数中，并将由评分矩阵分解的用户矩阵和电影矩阵进行初始化操作；迭代求解出最优的用户矩阵与电影矩阵；输出预测评分矩阵。2.如权利要求1所述的基于Lorenz混沌自适应的推荐方法，其特征在于：所述定义电影推荐的评分预测问题包括，将电影评分推荐问题描述为数学上的评分预测问题，将用户对电影的评分数据集转换为用户对电影的评分矩阵，然后定义电影推荐的评分预测问题。3.如权利要求2所述的基于Lorenz混沌自适应的推荐方法，其特征在于：所述建立电影评分模型包括，根据评分预测问题构建电影评分推荐模型，将电影评分推荐模型中所需超参数的求解视为优化问题，所述优化问题的解为超参数所构成的集合，优化问题的求解公式如下：P
Best
＝min F(P)采用评估函数F对解集合中的每一个解进行评估，找出使用F所得到的值最小的解为最优解。4.如权利要求3所述的基于Lorenz混沌自适应的推荐方法，其特征在于：所述建立模型超参数包括，根据电影评分模型定义的超参数求解模型采用混沌迭代优化方法求解最优超参数组。5.如权利要求4所述的基于Lorenz混沌自适应的推荐方法，其特征在于：所述初始化操作包括，采用混沌方法初始化解集合，对于整数类型超参数采用如下公式进行求解：作包括，采用混沌方法初始化解集合，对于整数类型超参数采用如下公式进行求解：其中，对于任意数A，[A]表示取A整数部分，结合公式最终生成[1，100]内的混沌整数r2，x0，y0，z0表示Lorenz方程中的状态变量，a，b，q表示控制变量，a0，b0，q0，t0为量级为10
‑2中的任意随机数，x表示x0经过微分变换后在x轴上的坐标，y表示y0经过微分变换后在y轴上的坐标，z表示z0经过微分变换后在y轴上的坐标，d
x
表示x0在时间t上的微分，d
y
表示y0在时间t上的微分，d
z
表示z0在时间t上的微分，d
t
表示在时间上的微分；对于分数类型的超参数采用如下公式进行求解：
其中，x0，y0，z0表示Lorenz方程中的状态变量，a，b，q表示控制变量，a0，b0，q0，t0为量级为10
‑2中的任意随机数，x表示x0经过微分变换后在x轴上的坐标，y表示y0经过微分变换后在y轴上的坐标，z表示z0经过微分变换后在y轴上的坐标，d
x
表示x0在时间t上的微分，d
y
表示y0在时间t上的微分，d
z
表示z0在时间t上的微分，d
t
表示在时间上的微分，结合公式求得混沌分数r1。6.如权利要求5所述的基于Lorenz混沌自适应的推荐方法，其特征在于：所述最优解包括，使用评估函数F对解集合P中的每一个解进行代入求解得...

【专利技术属性】
技术研发人员：冯李航，贾立鑫，焦文华，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：