[发明专利]一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法

说明书

本发明公开了一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法，在矩阵分解推荐模型的基础上加入用户和项目的影响因子，得到改进矩阵分解推荐模型；然后在卷积神经网络的卷积层后面添加一层跨通道卷积层，得到改进后的跨通道卷积神经网络；最后将改进矩阵分解模型与跨通道卷积神经网络融合后进行推荐。本发明具有泛化能力强、同等训练条件下，对文本的识别率较高等优点。

技术领域

本发明涉及电商网站和视频网站推荐的技术领域，尤其涉及到一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法。

背景技术

在电子商务中，推荐系统的应用越来越广泛，推荐模型预测结果对准确率的要求不言而喻，随着用户和项目数量呈现爆炸性的增长，推荐系统面临两方面的挑战。一方面，用户和项目数量的爆炸式增长加剧了用户对项目评分数据的稀疏性，这种数据稀疏性会降低传统推荐模型预测的准确性。另一方面，现在不论是电子商务网站还是主流社交软件，用户对于项目的文字评价数据越来越多，需要一种既可以利用用户给项目的评分数据又可以识别用户-项目评价信息的推荐模型，这样就可以最大效率利用已有且易收集的数据从而做出准确的推荐。

传统矩阵分解与卷积神经网络融合的推荐模型尽管利用了用户对项目的分数评价和文字评价信息，但有两个缺点：

(1)模型的泛化能力不够。

(2)同等训练条件下，卷积神经网络对文本的识别率较低。

发明内容

本发明的目的在于克服现有技术的不足，提出一种泛化能力强、同等训练条件下，对文本的识别率较高的基于改进矩阵分解与跨通道卷积神经网络的推荐方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法，在矩阵分解推荐模型的基础上加入用户和项目的影响因子，得到改进矩阵分解推荐模型；然后在卷积神经网络的卷积层后面添加一层跨通道卷积层，得到改进后的跨通道卷积神经网络；最后将改进矩阵分解模型与跨通道卷积神经网络融合后进行推荐。

进一步地，所述在矩阵分解推荐模型的基础上加入用户和项目的影响因子，得到改进矩阵分解推荐模型的具体步骤如下：

矩阵分解推荐模型是指把用户-项目评分矩阵R分解成两个低维矩阵P和Q的乘积：

R＝P^TQ  (1)

假定有U个用户，D个项目，R为评分矩阵；

假定有K个隐含变量，找到矩阵P^K×U和Q^K×D；p和q分别代表矩阵P和矩阵Q的行向量和列向量，将用户的评分矩阵R分解成矩阵P^K×U和Q^K×D，P^K×U的转置乘以Q^K×D既满足评分矩阵R已有的值，同时也填充未评分的项；定义损失函数，为避免过拟合，将损失函数正则化：

用户有自己的打分喜好，存在对项目评分非常严格或者非常宽松的情况，称第i个用户的偏执为b_i；项目可能会因为一些特殊因素让其相对于其它商品更容易获得用户的低分或者高分，称第j个项目的偏执为b_j；从而得到：

其中，表示改进矩阵分解模型对用户评分的预测值，u表示用户对项目打分平均值；从而得到改进矩阵分解模型：