[发明专利]一种协同过滤推荐模型的优化训练方法

摘要

本发明公开了一种协同过滤推荐模型的优化训练方法，属于数据挖掘和个性化推荐技术领域，通过将隐特征矩阵单列，从而消除用户隐特征和项目隐特征在训练过程中的相互依赖性，然后将其划分为基于单列随机梯度下降的用户隐特征训练过程和项目隐特征训练过程，最后并行执行用户隐特征训练过程和项目隐特征训练过程，本发明通过对协同过滤推荐模型的训练进行优化，消除了用户隐特征矩阵与项目隐特征矩阵的相互依赖关系，提高了可扩展性，具备更快的收敛速度，达到收敛所需的训练轮数更少，提高了推荐模型的构建速度。

主权项

一种协同过滤推荐模型的优化训练方法，其特征在于按以下步骤进行：步骤一、单列用户隐特征矩阵和项目隐特征矩阵；对于需要构造的矩阵因式分解推荐模型，将其用户隐特征矩阵P或/和项目隐特征矩阵Q单列；步骤二、判断隐特征矩阵是否收敛；当用户隐特征矩阵或项目隐特征矩阵未收敛时，执行步骤三。步骤三、构造基于单列随机梯度下降的用户隐特征向量或/和项目隐特征向量训练过程；根据单列的用户隐特征矩阵和项目隐特征矩阵，对矩阵因式分解推荐模型的隐特征矩阵训练过程进行分解，得到用户隐特征矩阵训练过程或/和项目隐特征矩阵训练过程的两个训练子过程；在训练时刻t时，对于用户隐特征矩阵P中第u行的向量Pu，其基于单列随机梯度下降的训练过程为： P u t = c k · p u t - 1 + η Σ k = 1 M c M - k [ r u , k - ⟨ p u t - 1 , q k t - 1 ⟩ ] · q k t - 1 , M为Pu对应的训练样本个数，M为正整数，k为用户隐特征矩阵系统学习训练样本的次序，1≤k≤M，η为学习速率，c为学习过程规约系数，c＝1‑η·λ，λ为学习过程规范化因子，ru,k为Pu对应的第k个训练样本；在训练时刻t时，对于项目隐特征矩阵Q中的第i行向量qi，其基于单列随机梯度下降的训练过程为： q i t = c k · q i t - 1 + η Σ h = 1 H c H - h [ r h , i - ⟨ q i t - 1 , p h t - 1 ⟩ ] · p h t - 1 , H为qi对应的训练样本个数，H为正整数，h为项目隐特征矩阵系统学习训练样本的次序，1≤h≤H，rh,i为qi对应的第h个训练样本；