[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

说明书

本发明公开了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，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：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，并对评分预测模型进行训练；S4：评估高维稀疏评分矩阵，完成用户对项目的评分预测。本发明将自注意力机制和判别自动编码器结合，并给出了应用于推荐系统中的具体方法。利用自注意力判别自编码器从高维稀疏矩阵的掩矩阵中提取评分数据的分布信息，为后续的学习评分数据特征和预测评分数据提供更多的分布信息。

技术领域

本发明属于推荐系统技术领域，具体涉及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。

背景技术

互联网的飞速发展造成了信息过载问题，严重影响用户获取有用信息的效率。为了解决这个问题，推荐系统技术获得了大量的研究成果。在推荐系统中，用户-项目之间的评分数据是基础的数据来源。由于系统中有大量的用户和项目，每一个用户不可能给所有的项目打评，因此评分数据非常少。通常使用高维稀疏矩阵表示这些评分数据，矩阵中只有少量的元素是已知的。为了解决这个高维稀疏矩阵，大量的基于协同过滤的方法被提出。这些方法主要利用已有的评分数据提取用户和项目的低维隐特征表示，存在以下缺点：其一，没有充分利用高维稀疏矩阵数据中局部区域评分数据之间的关系；其二，没有考虑高维稀疏矩阵中评分数据的整体分布特征。

发明内容

本发明的目的是为了解决用户项目之间评分预测的问题，提出了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。

本发明的技术方案是：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。

本发明的有益效果是：

(1)本发明将自注意力机制和判别自动编码器结合，并给出了应用于推荐系统中的具体方法。利用自注意力判别自编码器从高维稀疏矩阵的掩矩阵中提取评分数据的分布信息，为后续的学习评分数据特征和预测评分数据提供更多的分布信息。同时，该模型采用卷积神经网络提取掩矩阵中的局部区域的分布特征。除此之外，还利用自注意力机制计算掩矩阵中所有数据之间的依赖关系，获得全局的分布特征。最后将局部区域的分布特征和全局分布特征融合来训练模型，能够有效的全面的获取掩矩阵的分布信息。

(2)本发明建立了基于对抗神经网络的预测模型来估计高维稀疏矩阵中缺失的评分数据。将高维稀疏矩阵的分布信息和评分数据融合作为训练数据，并且将自注意力机制融入到生成器模型中，有利于对抗神经网络感知评分数据之间的依赖关系，从而更好的学习评分数据的特征。同时，将预测的评分数据和真实的评分数据之间的均方差作为对抗神经网络目标函数的正则化项，有利于提高模型的预测精度。

进一步地，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；