买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安建筑科技大学

摘要：本发明公开了一种SDDNE模型协同过滤模型的电影推荐方法、系统、介质及设备，包括以下步骤：采集测试所需要的用户电影数据集；将数据集输入深度信念网络进行预处理，将得到的处理数据输入SDDNE模型，通过拉普拉斯特征映射和堆叠降噪自编码器联合进行特征提取，得到用户、电影特征向量；将得到的特征向量进行拼接，得到用户‑电影评分矩阵，将得到的矩阵输入协同过滤模型，得到最终的电影推荐结果。本发明通过集成学习将SDDNE模型和协同过滤模型有效的结合在一起，从而可以极大的提高对用户喜欢的电影推荐准确度和稳定性。

主权项：1.SDDNE模型协同过滤模型的电影推荐方法，其特征在于，包括以下步骤：采集电影推荐中影响因子的用户数据集，包括电影数据、评分数据和用户数据；对用户数据集中相关影响因素数据通过作为深度置信网络DBN的输入，来进行数据预处理；将预处理之后的数据输入到SDDNE模型中并进行训练，训练完毕得到用户和电影的特征向量；将得到的特征向量进行拼接，得到用户-电影评分矩阵，将得到的矩阵输入协同过滤模型，得到最终的电影推荐结果；DBN的训练过程包含两个阶段:无监督的预训练和有监督的微调阶段；预训练阶段：采用RBM逐层进行预训练，直接将数据输入到最底层RBM的可见层进行训练，从该层输出的数据直接输入到DBN的输入层，作为下一层的输入；直至完成DBN的预训练；微调阶段：有监督的微调训练要前向传播算法得到输出数据和后向传播算法得到偏置值和权重值；将预处理后的数据的邻接矩阵S作为SDDNE模型的输入，初始化参数θ，将S赋值给X，通过随机映射以污染X中部分单元得到被污染的数据基于和θ，通过如下公式得到Y＝YK和 式中：参数集为θ＝{W,b}；W是d×d′的权值矩阵；b是维数d′的偏移向量；通过解码器使用公式gθ′y＝sW′y+b′得到重建后的根据如下公式计算重构误差Lmix＝αL2nd+βL1st+νLreg其中，Lreg为防止过拟合的L2范数正则项；基于公式 使用在整个网络中进行反向传播，得到参数θi，更新参数W,b；重复以上过程直至迭代结束，得到网络表示Y＝YK；用得到的用户和电影特征向量来拟合用户—电影评分矩阵，计算用户、电影特征之间的相关度simuser-item：首先，构建以喜好、浏览记录、评分、收藏为主的用户—电影评分矩阵，用户集合为包含N个用户的集合U＝{u1,u2,…,uN},电影集合为包含M个电影的集合I＝{i1,i2,…,i3}；每一位用户ui∈U都对至少一个电影进行了评价，评价结果以分值形式记录为RNM；所构成的用户-电影评分矩阵为： 上式中，行ri表示用户所评价电影集合，列rj表示评价这部电影的用户集合，rij为用户评分；其次，根据用户-电影评分矩阵利用余弦相似度计算用户之间的相似度，余弦相似度就是将矩阵RNM中的第u、v行认定为向量a和b；用户u、v之间的相似度由向量a和b夹角的余弦值来定义； 然后，将用户与其他用户的最近邻居KNN通过用户之间的近似度得到，通过KNN设定的选择阈值选择前N个相似度最高的邻居；协同过滤模型接下来对预测进行输出，首先将前N个相似度最高的邻居喜欢的电影进行筛选，并将剩余的电影集合起来，构成电影候选集，接下来通过加权求和的计算方法对用户和电影进行预测评分；加权求和方法就是通过加权的方法对用户和所有与电影集中电影i的电影的评分进行求和来得到目标用户对电影i预测评分，将排序靠前的前几部电影作为推荐项推荐给用户。

全文数据：

权利要求：

百度查询： 西安建筑科技大学 SDDNE模型协同过滤模型的电影推荐方法、系统、介质及设备