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：华南理工大学

摘要：本发明公开了一种面向物品多指标评分数据的推荐方法，包括：1将用户对物品多个指标的原始评分数据，使用字典映射的方式进行数据预处理；2初始化所有用户物品的特征向量，并根据预处理后的评分数据构造用户物品评分矩阵；3使用用户物品的特征向量和用户物品多指标评分信息来计算用户对物品多个指标的预测评分，作为中间结果；使用用户对物品多个指标的预测评分和用户物品评分矩阵计算用户对物品的总预测评分；4根据用户对物品的总预测评分生成推荐列表。本发明利用用户对物品多个指标的评分数据来学习用户对物品不同方面的兴趣，并聚集用户物品二部图中用户与物品的邻居信息，从而获得更优的用户物品特征向量，有效提升了推荐预测的准确率。

主权项：1.一种面向物品多指标评分数据的推荐方法，其特征在于，包括以下步骤：1将用户对物品多个指标的原始评分数据，使用字典映射的方式进行数据预处理；所述用户对物品多个指标的原始评分数据包括所有用户ID、物品ID、用户对物品的总评分和用户对物品各个指标的评分，单个用户对单个物品的评分数据表示为uid,vid,r0,r1,r2,...,rK，其中uid表示用户ID，vid表示物品ID，r0表示用户对物品的总体评分，rk表示用户对物品第k个指标的评分，k的取值范围为1到K，K表示物品评分指标个数；使用字典映射的方式进行数据预处理是指把原始评分数据中的用户ID和物品ID通过字典的方式进行一一映射，把所有用户ID和物品ID分别映射到0到m-1和0到n-1范围内，表示总共有m个用户和n个物品，从0开始计数，m-1表示第m-1个用户，n-1表示第n-1个物品；2初始化所有用户物品的特征向量，并根据预处理后的评分数据构造用户物品评分矩阵；其中用户物品的特征向量是指用一个预设的固定维数的向量表示特定的用户或物品；所述初始化所有用户物品的特征向量，并根据预处理后的评分数据构造用户物品评分矩阵是指对由所有用户物品的特征向量组成的矩阵进行初始化，同时根据步骤1预处理后的评分数据构造用户物品评分矩阵，具体过程如下：初始化所有用户物品的特征向量，具体过程为：所有用户物品的初始特征向量表示为E0，其大小为Rm+n×d，Rm+n×d表示m+n行d列的实数矩阵，其中，d为预设的特征向量维数，m表示用户总数，n表示物品总数，并通过高斯随机初始化的方式对E0进行初始化赋值；根据预处理后的评分数据构造用户物品评分矩阵，具体过程为：用户物品评分矩阵表示为G，G的大小为Rm×n，Rm×n表示m行n列的实数矩阵，矩阵G中的元素Gui＝r0表示评分数据中有用户u对物品i的评分，否则Gui＝0，其中u表示第u个用户，其取值范围为0到m-1，i表示第i个物品，其取值范围为0到n-1，r0表示用户对物品的总评分；3使用用户物品的特征向量和用户物品多指标评分信息来计算用户对物品多个指标的预测评分，作为中间结果；使用用户对物品多个指标的预测评分和用户物品评分矩阵计算用户对物品的总预测评分；其中用户物品多指标评分信息是指用户对物品在多个指标下的评分信息；使用用户物品的特征向量和用户物品多指标评分信息来计算用户对物品多个指标的预测评分，作为中间结果的过程是：首先基于用户物品评分矩阵构造用户物品二部图邻接矩阵，然后将用户物品的特征向量输入到多层图卷积神经网络和单层全连接神经网络来计算用户对物品多个指标的预测评分；使用用户对物品多个指标的预测评分和用户物品评分矩阵计算用户对物品的总预测评分的过程是：将用户对物品多个指标的预测评分输入到单层全连接神经网络来计算用户对物品的总预测评分，具体如下：3.1基于用户物品评分矩阵构造用户物品二部图邻接矩阵，具体过程为：用户物品二部图邻接矩阵表示为A，A的计算公式为： 式中，G表示用户物品评分矩阵，GT表示G的转置矩阵，0表示全0矩阵，A为m+n行m+n列的方阵，其中m表示用户总数，n表示物品总数；3.2使用L层图卷积神经网络和单层全连接神经网络来计算用户对物品多个指标的预测评分，具体过程为：图卷积神经网络层数表示为L，El表示第l层所有用户物品的特征向量，其中l取值范围为0到L-1，El+1表示第l+1层所有用户物品的特征向量，El+1的计算公式为： 式中，为A添加自连接后的邻接矩阵，为对角矩阵，其每个对角项等于矩阵中每个行向量中的非0项的个数，也被称为的度矩阵，其中j取值范围为0到m+n-1；Wl为第l层的特征变换矩阵，f·表示LeakyReLU函数；从图卷积神经网络最后一层的输出EL获取用户u的特征向量eu和物品i的特征向量ei后，将eu和ei进行元素积计算，再输入到单层全连接神经网络来计算用户对物品多个指标的预测评分的计算公式如下： 式中，eu⊙ei表示eu和ei进行元素积计算，WL和bL分别为全连接神经网络的权重参数和偏置参数，WL的大小为dL×K′，其中dL为WL的输入维度大小，其大小和用户特征向量eu的维度相同，K′为WL的输出维度大小，其大小和物品评分指标个数相同；3.3将步骤3.2的输出即用户对物品多个指标的预测评分输入到单层全连接神经网络来计算用户对物品的总预测评分，具体过程为：将用户对物品多个指标的预测评分输入到单层全连接神经网络，计算用户对物品的总预测评分其公式表达为： 式中，WT和bTi分别为全连接神经网络的权重参数和偏置参数，其中WT是共享参数，bTi是物品特殊的偏置参数，即每个物品都有一个特定的预测偏置；σ·表示Sigmoid函数；3.4使用贝叶斯个性化排序损失作为损失函数，损失函数由三部分组成，第一部分是以用户对物品多指标的评分数据作为监督信号的约束损失；第二部分是以用户对物品总评分作为监督信号的约束损失；第三部分是参数的L2正则化因子，防止模型的参数膨胀；使用ADAM算法来迭代优化用户物品的初始特征向量E0和步骤3.2、步骤3.3的图卷积神经网络和全连接神经网络的模型参数；4根据用户对物品的总预测评分生成推荐列表。

全文数据：

权利要求：

百度查询： 华南理工大学 一种面向物品多指标评分数据的推荐方法