[发明专利]一种基于回归树上下文特征自动编码的偏置张量分解方法

摘要

本发明公开了一种基于回归树上下文特征自动编码的偏置张量分解方法，属于个性化推荐领域，本申请首先提出了用于上下文感知推荐的偏置张量分解模型，然后针对张量分解模型的模型参数随上下文类别呈指数增长的问题，提出了基于回归树上下文自动编码的偏置张量分解算法，提高了推荐系统的推荐精度，解决了上下文维数过多的问题。

主权项

1.一种基于回归树上下文特征自动编码的偏置张量分解方法，其特征在于：包括如下步骤：步骤1：输入：b,U,V,C,λ,α；其中，b表示偏置信息，U表示用户特征矩阵，V表示物品特征矩阵，C表示上下文特征矩阵，λ表示正则化参数，α表示学习率；步骤2：计算μ,b_m,b_i并构造{(feature₁,target₁),…,feature_n,target_n)}；其中，μ表示全局平均分，b_m表示用户偏置，b_i表示物品偏置，feature_n表示训练样本n中的上下文特征，target_n为用户打分去掉全局平均分、用户偏置、物品偏置后剩余的部分；步骤3：训练回归树T，构造新上下文特征；步骤4：随机初始化b_m,b_i,b_k,U_m,V_i,C_k；步骤5：当y_mik∈Y′时，计算目标函数其中，Y′表示原评分张量Y中非空的部分，y_mik和f_mik分别代表用户m在上下文k下对物品i的实际评分和预测评分，b_k表示上下文偏置，U_md表示用户m的D维隐语义向量的第d个元素，V_id表示物品i的D维隐语义向量的第d个元素，C_kd表示上下文k的D维隐语义向量的第d个元素；步骤6：按如下公式迭代目标函数中各个因子；b_m←b_m+α·(y_mik‑f_mik‑λ·b_m)；b_i←b_i+α·(y_mik‑f_mik‑λ·b_i)；b_k←b_k+α·(y_mik‑f_mik‑λ·b_k)；U_m←U_m+α·(V_i⊙C_k·(y_mik‑f_mik)‑λ·U_m)；V_i←V_i+α·(U_m⊙C_k·(y_mik‑f_mik)‑λ·V_i)；C_k←C_k+α·(U_m⊙V_i·(y_mik‑f_mik)‑λ·C_k)；其中，⊙表示向量对应元素相乘的运算；步骤7：使用随机梯度下降方法对目标函数进行优化，通过随机梯度下降方法遍历训练集中的每一个评分，对步骤6中的目标函数中的参数进行更新，然后通过计算均方根误差，判断训练模型是否收敛；若：前后两次优化得到的均方根误差的差值小于设定的极小值，则判断为已收敛，然后执行步骤8；或前后两次优化得到的均方根误差的差值大于或者等于设定的极小值，则判断为未收敛，然后执行步骤5；步骤8：输出：b,U,V,C及回归树T；步骤9：结束。