1.一种基于多维度特征嵌入和特征提取网络的物品推荐方法,其特征在于,包括如下步骤:(1)提取用户属性数据和物品属性数据:
(1a)从用户属性数据集中提取M个用户SU={U1,...,Um,...,UM}的属性数据SH={H1,...,Hm,...,HM},每个属性数据Hm包括K1个属性特征,其中,M≥900,Um表示第m个用户,Hm表示Um的属性数据, 表示Hm的第k1个属性特征,K1表示Hm的属性特征总数,K1≥3;
(1b)从物品属性数据集中提取N个物品SV={V1,...,Vn,...,VN}的属性数据SI={I1,...,In,...,IN},每个属性数据In包括K2个属性特征,其中,N≥1000,Vn表示第n个物品,In表示Vn的属性数据, 表示In的第k2个属性特征,K2表示In属性特征的总数,K2≥3;
(2)提取用户对物品的隐式评分数据:
从用户对物品的历史评分数据集中提取M个用户中的每个用户Um对N个物品中的部分物品的共L条隐式评分数据 同时记录每条隐式评分数据 对应的用户编号Uidl和物品编号Iidl,得到用户编号集合SUID={Uid1,...,Uidl,...,UidL}和物品编号集合SIID={Iid1,...,Iidl,...,IidL},其中,L≥100000, 表示通过用户Um对物品Vs评分确定的第l条隐式评分数据,S表示部分物品的个数,S<N,Uidl表示 对应的用户的编号,Iidl表示 对应的物品的编号;
(3)生成训练样本集与测试样本集:
选取隐式评分数据集合SY中每个用户最近一次评价的隐式评分数据,以及所选取的每条隐式评分数据对应的用户的编号和属性特征、物品的编号和属性特征作为测试样本,组成包括M个测试样本的测试样本集,并将SY中剩余的P条隐式评分数据,以及剩余的每个隐式评分数据对应的用户的编号和属性特征、物品的编号和属性特征作为训练样本,组成包括P个训练样本的训练样本集,其中,P+M=L;
(4)构建基于多维度特征嵌入和特征提取网络的物品推荐模型J:
构建包括多维度特征嵌入网络、特征提取网络和物品评分预测网络的物品推荐模型,其中:多维度特征嵌入网络包括并行排布的用户多维度特征嵌入网络和物品多维度特征嵌入网络;用户多维度特征嵌入网络包括三个并行连接的用户特征嵌入提取分支,每个特征嵌入提取分支包括用户编号信息输入层、特征嵌入层、全连接层和两个激活函数层;物品多维度特征嵌入网络包括三个并行连接的物品特征嵌入提取分支,每个物品特征嵌入提取分支包括物品编号信息输入层、特征嵌入层、全连接层和两个激活函数层;
特征提取网络包括并行排布的属性信息特征提取网络、低阶交互特征提取网络和高阶交互特征提取网络;属性信息特征提取网络包括顺次连接的属性信息输入层、特征嵌入层和激活函数层;低阶交互特征提取网络包括元素积操作层、两个全连接层和两个激活函数层;高阶交互特征提取网络包括外积操作层、多个三维卷积层、全连接层和多个激活函数层;
物品评分预测网络包括拼接层、两个全连接层、输出层和两个激活函数层;
多维度特征嵌入网络的输出端与特征提取网络中的低阶交互特征提取网络和高阶交互特征提取网络的输入端连接,特征提取网络的输出端与物品评分预测网络的输入端连接,得到物品推荐模型J;
(5)对物品推荐模型J进行迭代训练:
t
(5a)初始化迭代次数为t,最大迭代次数为T,T≥200,当前物品推荐模型为J ,并令t=t
1,J=J;
t
(5b)将从训练样本集随机且有放回选取的G个训练样本作为物品推荐模型J的输入:(5b1)多维度特征嵌入网络中的用户多维度特征嵌入网络对每个训练样本中用户的三个特征嵌入进行提取,同时多维度特征嵌入网络中的物品多维度特征嵌入网络对每个训练样本中物品的三个特征嵌入进行提取;
(5b2)特征提取网络中的低阶交互特征提取网络对用户的每个特征嵌入与物品的每个特征嵌入进行元素积操作,并对元素积操作得到的九个低阶交互特征向量进行融合,得到低阶交互特征嵌入,同时高阶交互特征提取网络对用户的每个特征嵌入与物品的每个特征嵌入进行两两外积操作,并对外积操作得到的九个二维外积矩阵进行堆叠,得到三维矩阵C,然后对C进行三维卷积得到高阶交互特征嵌入;
(5b3)属性信息特征提取网络提取每个训练样本用户的属性特征和物品的属性特征,组成属性特征嵌入;
(5c)物品评分预测网络对低阶交互特征嵌入、高阶交互特征嵌入和属性特征嵌入进行顺次拼接,并对拼接后的特征嵌入进行特征交互,得到每个训练样本中用户Ua对物品Vb的评分预测值 x≤P,a≤M,b<S;
(5d)采用二分类交叉熵损失函数Lloss,计算每个训练样本的物品评分预测值 与其对应的物品评分真实值 之间的损失值 再采用反向传播方法,通过损失值 计算物品t推荐模型的网络参数梯度 然后采用梯度下降算法,并通过 对物品推荐模型J 的权值参数ω进行更新,其中二分类交叉熵损失函数Lloss的表达式为:其中Σ表示求和操作;
*
(5e)判断t≥T是否成立,若是,得到训练好的物品推荐模型J,否则,令t=t+1,并执行步骤(5b);
(6)获取待评分物品的评分预测结果:
*
将测试样本集作为训练好的物品推荐模型J的输入进行前向传播,得到M个测试样本中用户对待评分物品的评分预测值;
(7)获取物品推荐结果:
按照预测值从大到小排序对M个用户对待评分物品的评分预测值进行排序,并为每个用户选择前z个评分预测值对应的待评分物品组成用户的推荐列表。
2.根据权利要求1所述的基于多维度特征嵌入和特征提取网络的物品推荐方法,其特征在于,步骤(2)中所述的第l条隐式评分数据 是通过 对应的用户Um对物品Vs的显式评分rms确定的:其中, 表示Um对Vs有评分记录,否则, 表示Um对Vs没有评分记录。
3.根据权利要求1所述的基于多维度特征嵌入和特征提取网络的物品推荐方法,其特征在于,步骤(4)中所述的物品推荐模型J,其中:多维度特征嵌入网络包含的用户多维度特征嵌入网络中的三个用户特征嵌入提取分支,其中的用户编号信息输入层的神经元个数均与用户的个数M相等;该三个用户特征嵌入提取分支中特征嵌入层的神经元个数分别设置为2、8、16,全连接层神经元的个数均为16;
第一激活函数层、第二激活函数层分别采用ReLU激活函数、Tanh激活函数;
用户特征嵌入提取分支的结构为:用户编号信息输入层→特征嵌入层→第一激活函数层→全连接层→第二激活函数层;
多维度特征嵌入网络包含的物品多维度特征嵌入网络中的三个物品特征嵌入提取分支,其中的物品编号信息输入层的神经元个数均与物品的个数N相等;该三个物品特征嵌入提取分支中特征嵌入层的神经元个数分别设置为2、8、16,全连接层神经元的个数均为16;
第一激活函数层、第二激活函数层分别采用ReLU激活函数、Tanh激活函数;
物品特征嵌入提取分支的结构为:物品编号信息输入层→特征嵌入层→第一激活函数层→全连接层→第二激活函数层;
特征提取网络包含的属性信息提取网络中,属性信息输入层的神经元个数为16×(K1+K2);特征嵌入层的神经元个数为16;激活函数层采用ReLU激活函数;
特征提取网络包含的低阶交互特征提取网络中,元素积操作层的神经元个数为144;第一、第二全连接层的神经元个数分别为10、16;两个激活函数层均采用ReLU激活函数;该低阶交互特征提取网络的结构为:元素积操作层→第一全连接层→第一激活函数层→第二全连接层→第二激活函数层;
特征提取网络包含的高阶交互特征提取网络中,外积操作层的神经元个数为2304;三维卷积层的层数为4,四个三维卷积层的卷积核个数均为16,卷积核尺寸均为2×2×3,卷积步长均为1;激活函数层的层数为5,五个激活函数层均采用ReLU激活函数;全连接层的神经元个数为16;该高阶交互特征提取网络的结构为:外积操作层→第一三维卷积层→第一激活函数层→第二三维卷积层→第二激活函数层→第三三维卷积层→第三激活函数层→第四三维卷积层→第四激活函数层→全连接层→第五激活函数层;
物品评分预测网络中拼接层的神经元个数为48;第一、第二全连接层的神经元个数分别为96、16;第一、第二激活函数层分别采用ReLU激活函数、sigmoid激活函数;输出层的神经元个数为1;该物品评分预测网络的结构为:拼接层→第一全连接层→第一激活函数层→第二全连接层→第二激活函数层→输出层。
4.根据权利要求1所述的基于多维度特征嵌入和特征提取网络的物品推荐方法,其特征在于,步骤(5c)中所述的权值参数ω的更新公式为:其中,ω′表示ω的更新结果,η表示Lloss的学习率,表示求导操作。