[发明专利]基于浅层自动编码器模型的推荐方法、系统、设备及介质

权利要求书

1.一种基于浅层自动编码器模型的推荐方法，其特征在于，包括：

收集多个用户的物品交互记录数据，并按照设定比例进行随机划分后，取出两部分称为训练集与验证集；

根据训练集中物品之间的相似度构建相似度矩阵，设定训练集的损失函数与验证集的损失函数，并结合相似度矩阵、训练集与验证集训练一个浅层自动编码器模型，第一步：固定训练集的损失函数中的超参数，结合所述相似度矩阵与训练集计算训练集的损失函数，并利用训练集的损失函数计算模型参数，其中，相似度矩阵用于指示模型参数中的非零位置，训练集的损失函数中的超参数包括：用于控制正样本重要性的超参数alpha，所述正样本是指每一用户的物品交互记录数据中包含的用户交互的物品；第二步：固定模型参数，利用第一步计算出的模型参数与验证集计算验证集的损失函数，并利用验证集的损失函数更新训练集的损失函数中的超参数；将以上两步交替执行，当模型参数与超参数均收敛时，表明浅层自动编码器模型训练完毕，获得最优模型参数；

对于当前用户，利用当前用户的物品交互记录数据与所述最优模型参数计算当前用户对每一物品的评分，按照评分从大到小的顺序对物品进行排序，根据排序结果生成当前用户的物品推荐列表。

2.根据权利要求1所述的一种基于浅层自动编码器模型的推荐方法，其特征在于，所述相似度矩阵为一个N×N的大小的矩阵，N为所有物品的数目，所述相似度矩阵中相应位置的值为1时，表示对应的两个物品相似度满足设定要求，相应位置的值为0时，表示对应的两个物品相似度不满足设定要求。

3.根据权利要求1所述的一种基于浅层自动编码器模型的推荐方法，其特征在于，所述训练集的损失函数为训练集与训练集上预测矩阵之间的平方损失，以及模型参数的二范数之和；所述训练集上预测矩阵由训练集与模型参数相乘得到；所述超参数alpha施加在训练集与训练集上预测矩阵之间的平方损失中，即利用将超参数alpha加1后乘以训练集中所有正样本。

4.根据权利要求3所述的一种基于浅层自动编码器模型的推荐方法，其特征在于，所述超参数还包括：施加在模型参数的二范数中的超参数beta，它作为模型参数的二范数的权重系数。

5.一种基于浅层自动编码器模型的推荐系统，其特征在于，包括：

数据收集与划分单元，用于收集多个用户的物品交互记录数据，并按照设定比例进行随机划分后，取出两部分称为训练集与验证集；

模型训练单元，用于根据训练集中物品之间的相似度构建相似度矩阵，设定训练集的损失函数与验证集的损失函数，并结合相似度矩阵、训练集与验证集训练一个浅层自动编码器模型，第一步：固定训练集的损失函数中的超参数，结合所述相似度矩阵与训练集计算训练集的损失函数，并利用训练集的损失函数计算模型参数，其中，相似度矩阵用于指示模型参数中的非零位置，训练集的损失函数中的超参数包括：用于控制正样本重要性的超参数alpha，所述正样本是指每一用户的物品交互记录数据中包含的用户交互的物品；第二步：固定模型参数，利用第一步计算出的模型参数与验证集计算验证集的损失函数，并利用验证集的损失函数更新训练集的损失函数中的超参数；将以上两步交替执行，当模型参数与超参数均收敛时，表明浅层自动编码器模型训练完毕，获得最优模型参数；

物品推荐单元，用于对于当前用户，利用当前用户的物品交互记录数据与所述最优模型参数计算当前用户对每一物品的评分，按照评分从大到小的顺序对物品进行排序，根据排序结果生成当前用户的物品推荐列表。

6.根据权利要求5所述的一种基于浅层自动编码器模型的推荐系统，其特征在于，所述相似度矩阵为一个N×N的大小的矩阵，N为所有物品的数目，所述相似度矩阵中相应位置的值为1时，表示对应的两个物品相似度满足设定要求，相应位置的值为0时，表示对应的两个物品相似度不满足设定要求。