欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022108528890
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于迁移头尾知识的神经协同过滤双向推荐方法,其特征在于:所述神经协同过滤双向推荐方法包括如下步骤:步骤1:采集客体-主体以及主体-客体的双向评分数据,进行归一化预处理;

步骤2:分别计算所述客体-主体以及主体-客体评分数据的相似度矩阵,得到两个客体相似度矩阵和两个主体相似度矩阵;

步骤3:分别对步骤1中所述客体-主体以及主体-客体评分数据进行矩阵分解训练,得到对应的客体特征矩阵和主体特征矩阵,根据步骤2中得到的两个客体相似度矩阵和两个主体相似度矩阵,将每个客体最近邻居在所述两个客体特征矩阵中所对应的向量,组成客体最近邻居特征矩阵,将每个主体最近邻居在所述两个主体特征矩阵中所对应的向量,组成主体最近邻居特征矩阵;

步骤4:分别计算所述客体-主体以及主体-客体评分数据中客体主体的流行度,根据客体主体流行度不同进行采样,再将双向评分数据赋予不同权重组合成新的客体-主体评分数据和新的主体-客体评分数据;

步骤5:将步骤4获得的新的客体-主体评分数据多次分为少样本数据集和多样本数据集,输入神经协同过滤推荐网络,得到各自的客体,主体嵌入特征,再与所述对应的最近邻居特征向量拼接,继续输入神经网络中训练参数;步骤4获得的新的主体-客体评分数据多次分为少样本数据集和多样本数据集,输入神经协同过滤推荐网络,得到各自的主体,客体嵌入特征,再与所述对应的最近邻居特征向量拼接,继续输入神经网络中训练参数;

步骤6:使用全连接层作为F()的映射网络,学习神经协同过滤推荐网络参数从客体-主体少样本到多样本数据集训练的变化;使用全连接层作为F()的映射网络,学习神经协同过滤推荐网络参数从主体-客体少样本到多样本数据集训练的变化;

步骤7:利用训练好的所述神经协同过滤推荐网络生成客体对主体的评分以及主体对客体的评分,聚合双向评分,对模型的性能进行评估,其中:

在所述步骤4中:

获取新的客体-主体评分数据,包括如下步骤:

计算客体-主体评分数据的每个主体流行度及主体-客体评分数据每个客体流行度,计算公式如下:客体流行度:ppk

主体流行度:ppz

其中,N

将客体-主体评分数据得到的主体流行度ppz

其中,

获取新的主体-客体评分数据,包括如下步骤:

计算主体-客体评分数据的每个客体流行度及客体-主体评分数据每个主体流行度,计算公式如下:客体流行度:ppk

主体流行度:ppz

其中,N

将主体-客体评分数据得到的客体流行度ppk

其中,

所述步骤5中,

所述客体-主体少样本数据集和多样本数据集的构成包括:多样本客体-主体数据集所述主体-客体少样本数据集和多样本数据集的构成包括:多样本主体-客体数据集所述步骤5中,所述神经协同过滤推荐网络对客体-主体数据集训练流程包括:步骤5-1-1:给定目标客体i和主体u,神经协同过滤推荐方法表示为:步骤5-1-2:使用所述客体-主体数据集作为原始输入,经过独热编码后,转变为模型能够直接处理的输入向量,然后利用线性的嵌入层,将高维、稀疏的输入向量转换为低维、稠密的表示向量,从而得到客体i和主体u的嵌入向量,使用嵌入整合层,将嵌入向量与所述对应的最近邻居向量两类表示向量整合在一起,形成客体与主体最终的表示向量v步骤5-1-3:对于矩阵分解MF部分,将v

步骤5-1-4:由

所述神经协同过滤推荐网络对主体-客体数据集训练流程包括:步骤5-2-1:给定目标主体u和客体i,神经协同过滤推荐方法表示为:步骤5-2-2:使用所述主体-客体数据集作为原始输入,经过独热编码后,转变为模型能够直接处理的输入向量,然后利用线性的嵌入层,将高维、稀疏的输入向量转换为低维、稠密的表示向量,从而得到主体u和客体i的嵌入向量,使用嵌入整合层,将嵌入向量与所述对应的最近邻居向量两类表示向量整合在一起,形成主体与客体最终的表示向量v步骤5-2-3:对于矩阵分解MF部分,将v

步骤5-2-4:由

在所述步骤6中,利用F()获取所述神经协同过滤模型在少样本到多样本数据集训练过程中的参数变化,包括:步骤6-1:使用一个全连接层作为F()的映射网络去学习所述客体-主体神经协同过滤推荐网络最后一层参数,利用此公式步骤6-2:利用损失函数

步骤6-3:使用一个全连接层作为F()的映射网络去学习主体-客体神经协同过滤推荐网络最后一层参数,利用此公式步骤6-4:然后利用损失函数

2.根据权利要求1所述的基于迁移头尾知识的神经协同过滤双向推荐方法,其特征在于:步骤1中对采集的双向评分数据进行归一化预处理具体为:对客体-主体评分数据进行归一化处理,将其映射到[0,1],所用公式如下:对主体-客体评分数据进行归一化处理,将其映射到[0,1],所用公式如下:

3.根据权利要求1所述的基于迁移头尾知识的神经协同过滤双向推荐方法,其特征在于:步骤2中,计算客体-主体评分数据的相似度矩阵,包括:将所述客体-主体的评分数据组成客体对主体的评分矩阵,其中评分矩阵的行为客体编号ID,列为主体编号ID,评分矩阵的行数和列数分别为客体主体的总数,利用余弦相似度公式,计算所有客体之间的相似度,组成客体相似度矩阵,再计算所有主体之间的相似度,组成主体相似度矩阵;

计算主体-客体评分数据的相似度矩阵,包括:将所述主体-客体的评分数据组成主体对客体的评分矩阵,其中评分矩阵的行为主体编号ID,列为客体编号ID,评分矩阵的行数和列数分别为主体客体的总数,利用余弦相似度公式,计算所有主体之间的相似度,组成主体相似度矩阵,再计算所有客体之间的相似度,组成客体相似度矩阵。

4.根据权利要求1所述的基于迁移头尾知识的神经协同过滤双向推荐方法,其特征在于:步骤3中,所述客体-主体评分矩阵中客体特征矩阵和主体特征矩阵的获取具体为:对所述客体-主体评分矩阵进行矩阵分解,初始化客体特征矩阵和主体特征矩阵,将客体特征矩阵和主体特征矩阵相乘后,组成一个重构训练矩阵,利用重构损失公式利用重构损失公式所述主体-客体评分矩阵中主体特征矩阵和客体特征矩阵的获取具体为:对所述主体-客体评分矩阵进行矩阵分解,初始化主体特征矩阵和客体特征矩阵,将主体特征矩阵和客体特征矩阵相乘后,组成一个重构训练矩阵,利用重构损失公式利用重构损失公式客体最近邻居特征矩阵的获取具体为:将从客体-主体评分数据获得的客体相似度矩阵以及从主体-客体评分数据获得的客体相似度矩阵分别选取每个客体的最近邻居,将每个客体的最近邻居在对应的客体特征矩阵中的隐式向量拼接起来,组成客体最近邻居特征矩阵;

主体最近邻居特征矩阵的获取具体为:将从客体-主体评分数据获得的主体相似度矩阵以及从主体-客体评分数据获得的主体相似度矩阵分别选取每个主体的最近邻居,将每个主体的最近邻居在对应的主体特征矩阵中的隐式向量拼接起来,组成主体最近邻居特征矩阵。

5.根据权利要求1所述的基于迁移头尾知识的神经协同过滤双向推荐方法,其特征在于:所述步骤7具体包括:步骤7-1:获取客体-主体评分:选取一系列{t

步骤7-2:获取主体-客体评分:选取一系列{t

步骤7-3:聚合双向评分:对双向评分通过算数平均值进行聚合,与测试集作匹配,对模型的准确率,召回率和f1值进行验证。