[发明专利]基于双层矩阵分解的推荐方法

摘要

本发明公开了一种基于双层矩阵分解的推荐方法，主要解决现有技术推荐效果准确率不高的问题。其实现步骤为：1.读取用户指定文件并构造训练数据集和测试数据集；2.初始化第一层学习器的用户特征矩阵和物品特征矩阵；3.使用训练数据集优化第一个学习器的用户特征矩阵和物品特征矩阵；4.获取第二层学习器的训练数据；5.计算第一层与第二层学习器的权重，并优化第二层学习器的用户特征矩阵和物品特征矩阵；6.计算测试数据集中的用户对物品的推荐效果。本发明使用训练好的两层学习器参数及权重进行预测评分，降低了用户对物品的预测评分与真实评分之间的差值，增强了推荐效果，可用于用户对未知电影的预测评分及未知电影推荐。

主权项

基于双层矩阵分解的推荐方法，包括如下步骤：(1)从用户指定文件中读取包含用户、物品与评分信息的数据，将其存入原始评分数据，记为D，并将原始评分数据按行数N以9:1的比例分成训练数据集与测试数据集，分别记为D1，D2，其中D1为第一层学习器的训练数据；(2)初始化第一层学习器的用户特征矩阵P与物品特征矩阵Q：其中，P、Q均满足高斯分布，二者的特征维度个数均为F，μ_u表示用户特征矩阵的均值，σ_u²表示用户特征矩阵的方差，μ_i表示物品特征矩阵的均值，σ_i²表示物品特征矩阵的方差；(3)对用户特征矩阵P与物品的特征矩阵Q进行优化：(3a)使用P、Q预测D1中用户u对物品i的评分，记为其中，P_uf表示用户u的特征向量，Q_if表示物品i的特征向量，f＝1,2,...,F；(3b)计算用户对物品预测评分的误差：其中，为用户u对物品i的真实评分；(3c)使用随机梯度下降法优化L，得到第一层学习器训练好的用户特征矩阵P'与物品特征矩阵Q'；(4)获取第二层学习器的训练数据：(4a)给定用户对物品预测评分与用户对物品真实评分差值的阈值t；(4b)将D1中的用户对相应物品进行预测评分，将预测评分与真实评分差值的绝对值大于t的样本挑出，作为第二层学习器的训练数据，记为ND；(5)根据ND的个数n计算第一层学习器的权重w1以及第二层学习器的权重w2:w1＝(N‑n)/Nw2＝n/N(6)利用与步骤(2)相同的方法构造第二层学习器的用户特征矩阵P1与物品特征矩阵Q1，并利用与步骤(3)中相同的方法得到训练好的第二层学习器的特征矩阵P1'和Q1'；(7)根据测试数据集D2中的用户与物品，计算推荐效果：(7a)利用已经训练好的两层学习器的参数P'，Q'，P1'，Q1'以及两层学习器的权重w1，w2在测试数据集D2上对相应用户与物品计算预测评分其中，F为用户与物品特征矩阵的维度，P'_uf表示训练好的第一层学习器用户u的特征向量，P1'_uf为训练好的第二层学习器用户u的特征向量，Q'_if表示训练好的第一层学习器物品i的特征向量，Q1'_if表示训练好的第二层学习器物品i的特征向量，f＝1,2,...,F；(7b)根据计算出的的值给用户进行物品推荐，由于的值是介于1‑5之间的数，值越大表明物品越符合用户的需求，对于用户u未选择的物品i，推荐时将根据的值从大到小依次进行推荐，推荐的物品个数由用户指定。