[发明专利]一种基于自注意力对抗神经网络的推荐系统评分预测方法

权利要求书

1.一种基于自注意力对抗神经网络的推荐系统评分预测方法，其特征在于，包括以下步骤：

S1：采集用户信息、项目信息和用户对项目评分数据，构建高维稀疏评分矩阵和对应的掩矩阵；

S2：利用自注意力编码器提取掩矩阵的分布特征，生成关于高维稀疏评分矩阵的分布信息；

S3：利用自注意力对抗神经网络搭建推荐系统的评分预测模型，并根据分布信息和高维稀疏评分矩阵对评分预测模型进行训练；

S4：利用训练后的评分预测模型评估高维稀疏评分矩阵，完成用户对项目的评分预测；

所述步骤S1包括以下子步骤：

S11：采集用户信息、项目信息和用户对项目评分数据，得到用户集项目集和用户对项目的评分集合其中，n表示用户数，m表示项目数，u₁,u₂,…,u_n表示第1到第n个用户，i₁,i₂,…,i_m表示第1到第m个项目，s_u,i表示用户u对项目i的评分，v表示评分最大值；

S12：根据用户对项目的评分集合构建高维稀疏评分矩阵R，其中，每个元素r_u,i的表达式为：

S13：根据高维稀疏评分矩阵R，构建对应的掩矩阵H∈{0,1}^n×m，其中，每个元素h_u,i的表达式为：

其中，1表示用户u对项目i的评分已知，0表示用户u对项目i的评分未知，表示R中已知元素集合，表示未知元素集合。

2.根据权利要求1所述的基于自注意力对抗神经网络的推荐系统评分预测方法，其特征在于，所述步骤S2包括以下子步骤：

S21：设掩矩阵H中的每一个行向量{h₁,…,h_u,…,h_n}服从第一数据分布q(h)；

S22：定义自注意力编码器，将来自第一数据分布q(h)的样本h_u∈H转换为对应的低维隐特征表示z_u，其中，z_u为第二数据分布q(z)的一个样本；

S23：将来自第二数据分布q(z)的低维隐特征表示z_u作为自注意力解码器的输入，并生成样本h_u的重构样本

S24：计算样本h_u和重构样本之间的重构误差rec_error；

S25：设置已知解析式的分布p(z)，并根据已知解析式的分布p(z)和第二数据分布q(z)之间的距离训练自注意力编码器和自注意力解码器；

S26：利用训练后的自注意力编码器将掩向量转换为服从已知解析式的分布p(z)的低维隐特征表示，利用训练后的自注意力解码器将来自已知解析式的分布p(z)的样本数据转换为分布信息，生成关于高维稀疏评分矩阵的分布信息。

3.根据权利要求2所述的基于自注意力对抗神经网络的推荐系统评分预测方法，其特征在于，所述步骤S22包括以下子步骤：

S221：利用小批量梯度下降算法，从掩矩阵H中随机采样t个掩向量{h_u,h_u+1…,h_u+t}，组成输入矩阵X；

S222：定义自注意力编码器，将输入矩阵X作为自注意力编码器的输入，将来自第一数据分布q(h)的样本h_u∈H转换为对应的低维隐特征表示z_u，其中，z_u为第二数据分布q(z)的一个样本。