[发明专利]一种面向多属性评分系统的评分预测方法

说明书

技术领域

本发明涉及计算机应用领域，具体涉及一种面向多属性评分系统的基于张量分解的多属性评分预测方法。

背景技术

今年来，随着互联网的快速发展，推荐系统被广泛应用于电商的在线平台，尤其是个性化推荐技术的发展对于改善用户体验和提高服务质量起到了重要作用。个性化推荐主要是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。

个性化推荐主要在计算机上通过推荐系统来完成，推荐系统是建立在海量数据挖掘基础上，传统的推荐主要依赖用户对项目的总体评分，而现在越来越多的在线平台倾向于利用用户提供项目的各属性评分，这些属性评分包含了更细粒度的商品评价信息。利用用户提供的多属性评分可以更全面地获取用户偏好信息或项目特征，从而实现更有效的推荐，目前多属性评分推荐已成为推荐领域的一个重要研究方向。

多属性评分推荐算法的研究刚刚起步，其核心是多属性评分预测。现有很多的多属性评分预测算法没有兼顾多属性评分系统中各属性评分的关联关系，也没有有效解决稀疏性问题。因此针对多属性评分系统，研究有效的多属性评分预测算法成为亟待解决的问题。

发明内容

本发明的主要目的，在于提供一种面向多属性评分系统的评分预测方法，可以有效融合多个属性的评分信息，预测用户对商品各个属性的评分。

为达到上述目的，本发明所采取的技术方案是，

一种面向多属性评分系统的评分预测方法，包括以下步骤：

S1：输入数据：收集用户对商品的多个属性的评分，输入多个属性的评分数据；

S2：构建模型：利用具有U、C、A三个维度的三维张量表达多属性评分信息，其中：U表示用户，C表示商品，A表示商品的属性；

S3：设置参数，得到初始化矩阵

基于典范分解模型，将多属性的评分张量分解为三个二维矩阵和一个三维对角张量的乘积，如公式(1)所示：

公式(1)中，为三维对角张量，即对角线上元素为1，其余元素都为0；

矩阵为|U|×k_r维，|U|表示用户个数；

矩阵为|C|×k_r维，|C|表示商品个数；

矩阵为|A|×k_r维，|A|表示属性个数；

k_r是一个大于0的正整数，表示张量分解的维度大小；

S4：张量分解，计算得到中间矩阵计算出目标函数的值，若目标函数未收敛或未达到迭代次数上限，使用随机梯度下降法(SGD)更新矩阵每次更新后重新计算目标函数的值，直到目标函数收敛或者达到迭代次数上限时停止，得到中间矩阵

S5：张量填充，完成评分预测：根据步骤S4分解得到的中间矩阵采用典范分解模型，计算用户对商品各个属性的评分，实现多属性评分张量的填充。

上述面向多属性评分系统的评分预测方法，步骤S1中，多个属性的评分包括用户对商品的价格、服务多个属性的评分。

上述面向多属性评分系统的评分预测方法，所述评分数据由一个或多个公共网站进行收集归纳。

上述面向多属性评分系统的评分预测方法，步骤S3中，张量中的元素为

其中，

表示编号为u的用户对编号为c的商品的第a个属性的评分。

上述面向多属性评分系统的评分预测方法，步骤S3中，设置的参数包括：迭代次数上限N、梯度下降参数λ、正则化参数β以及张量典范分解维度k_r。

上述面向多属性评分系统的评分预测方法的改进在于：步骤S4包括S41，所述步骤S41为计算目标函数的值，

其中，目标函数计算的具体方法为：考虑张量中存在的非0评分信息，设计目标函数的形式如公式(3)：

其中，为损失函数，表示的是已知的真实的多属性评分张量，缺失值用0表示；中的元素表示中的真实评分值，是根据公式(2)计算得到的预测评分，表示权重张量，中的元素取值为1或者0，当的值不为0时，当的值等于0，为防止过度拟合添加的正则项，β为正则参数。

上述面向多属性评分系统的评分预测方法的进一步改进在于：经步骤S41得到的目标函数若未收敛或未达到迭代次数上限，则步骤S4中还包括S42，步骤S42为使用SGD方法，利用公式(4)对步骤S41得到的目标函数的值进行更新，公式(4)如下所示：