CN108090229A - 一种基于卷积神经网络确定评分矩阵的方法和装置 - Google Patents
一种基于卷积神经网络确定评分矩阵的方法和装置 Download PDFInfo
- Publication number
- CN108090229A CN108090229A CN201810022315.4A CN201810022315A CN108090229A CN 108090229 A CN108090229 A CN 108090229A CN 201810022315 A CN201810022315 A CN 201810022315A CN 108090229 A CN108090229 A CN 108090229A
- Authority
- CN
- China
- Prior art keywords
- matrix
- msub
- mrow
- msup
- munderover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种基于卷积神经网络确定评分矩阵的方法和装置，利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；依据用户对商品的评分信息，建立初始评分矩阵；该初始评分矩阵中会存在用户未对商品做出评价的空白项，依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，填充初始评分矩阵中的空白项，得到目标矩阵。利用卷积神经网络可以对用户关于商品的文档信息进行上下文识别，更好的挖掘了用户对商品的一些文本信息，从而弱化了数据稀疏性问题带来的影响。通过将目标特征向量代入基于矩阵分解的隐语义模型中，可以使得目标矩阵中预测出的评分值更加准确。
Description
技术领域
本发明涉及推荐系统技术领域，特别是涉及一种基于卷积神经网络确定评分矩阵的方法和装置。
背景技术
近年来随着互联网的快速发展和智能移动设备的增多，人类进入了信息过载时代，面对网络上浩如烟海的信息，用户查找真正符合自己兴趣的信息变得十分困难。推荐系统能够从海量的信息中筛选出符合用户需求的信息，是解决信息过载问题的有效技术手段之一。
近年来推荐系统在研究和应用领域得到了广泛的发展。可与此同时，推荐系统也面临着很大的挑战，首当其冲的挑战就是数据稀疏性问题。数据稀疏性对推荐效果有很大影响，像MovieLens类似的数据系统以用户-物品打分形式存储，当物品或用户数增大时，维数和稀疏性也会增大，导致评分矩阵的准确性下降。由于协同过滤依赖于评分矩阵，所以受此影响很大。
可见，如何准确预测用户对商品的评分，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种基于卷积神经网络确定评分矩阵的方法和装置，可以准确预测用户对商品的评分。
为解决上述技术问题，本发明实施例提供一种基于卷积神经网络确定评分矩阵的方法，包括：
利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；
依据用户对商品的评分信息，建立初始评分矩阵；
依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵。
可选的，所述利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量包括：
获取文档信息，并将所述文档信息按照预设规则转化成信息矩阵；
对所述信息矩阵进行线性映射，得到特性矩阵；
利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量；
对各个所述特征向量进行压缩处理，得到采样向量；
利用误差反向传播算法对所述采样向量进行处理，确定出目标特征向量。
可选的，所述利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量包括：
利用如下公式，对所述特性矩阵进行非线性映射，得到特征向量，
其中，f代表激励函数，*是卷积运算符，Bj是偏差系数矩阵，D表示所述信息矩阵，Wj表示与所述特性矩阵相对应的权重矩阵，Wj*D+Bj表示所述特性矩阵。
可选的，所述依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵包括：
利用如下公式，对所述初始评分矩阵进行分解处理；
其中，特征向量s＝cnn(W,Xj)，P和Q为初始评分矩阵分解得到的两个矩阵，W表示权重矩阵，rij表示初始评分矩阵中第i行j列的元素，pi表示矩阵P中的第i个元素，qj表示矩阵Q中的第j个元素，wk表示权重矩阵W中的第k个元素，平衡系数δ2表示初始评分矩阵的方差，表示矩阵P的方差，表示矩阵Q的方差，表示权重矩阵W的方差；
利用梯度下降法，求解矩阵P和矩阵Q中各元素的取值，以得到目标矩阵。
可选的，还包括：
利用协同过滤算法，对所述目标矩阵进行分析处理，确定出向目标用户推荐的目标商品。
本发明实施例还提供了一种基于卷积神经网络确定评分矩阵的装置，包括确定单元、建立单元和得到单元；
所述确定单元，用于利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；
所述建立单元，用于依据用户对商品的评分信息，建立初始评分矩阵；
所述得到单元，用于依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵。
可选的，所述确定单元包括转化子单元、线性映射子单元、非线性映射子单元、采样子单元和输出子单元；
所述转化子单元，用于获取文档信息，并将所述文档信息按照预设规则转化成信息矩阵；
所述线性映射子单元，用于对所述信息矩阵进行线性映射，得到特性矩阵；
所述非线性映射子单元，用于利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量；
所述采样子单元，用于对各个所述特征向量进行压缩处理，得到采样向量；
所述输出子单元，用于利用误差反向传播算法对所述采样向量进行处理，确定出目标特征向量。
可选的，所述非线性映射子单元具体用于利用如下公式，对所述特性矩阵进行非线性映射，得到特征向量，
其中，f代表激励函数，*是卷积运算符，Bj是偏差系数矩阵，D表示所述信息矩阵，Wj表示与所述特性矩阵相对应的权重矩阵，Wj*D+Bj表示所述特性矩阵。
可选的，所述得到单元具体用于利用如下公式，对所述初始评分矩阵进行分解处理；
其中，特征向量s＝cnn(W,Xj)，P和Q为初始评分矩阵分解得到的两个矩阵，W表示权重矩阵，rij表示初始评分矩阵中第i行j列的元素，pi表示矩阵P中的第i个元素，qj表示矩阵Q中的第j个元素，wk表示权重矩阵W中的第k个元素，平衡系数δ2表示初始评分矩阵的方差，表示矩阵P的方差，表示矩阵Q的方差，表示权重矩阵W的方差；
并利用梯度下降法，求解矩阵P和矩阵Q中各元素的取值，以得到目标矩阵。
可选的，还包括推荐单元，所述推荐单元，用于利用协同过滤算法，对所述目标矩阵进行分析处理，确定出向目标用户推荐的目标商品。
由上述技术方案可以看出，利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；依据用户对商品的评分信息，建立初始评分矩阵；该初始评分矩阵中会存在用户未对商品做出评价的空白项，依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，填充初始评分矩阵中的空白项，得到目标矩阵。利用卷积神经网络可以对用户关于商品的文档信息进行上下文识别，更好的挖掘了用户对商品的一些文本信息，从而弱化了数据稀疏性问题带来的影响。通过将目标特征向量代入基于矩阵分解的隐语义模型中，可以使得目标矩阵中预测出的评分值更加准确。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于卷积神经网络确定评分矩阵的方法的流程图；
图2为本发明实施例提供的一种基于卷积神经网络确定评分矩阵的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种基于卷积神经网络确定评分矩阵的方法。图1为本发明实施例提供的一种基于卷积神经网络确定评分矩阵的方法的流程图，该方法包括：
S101：利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量。
在本发明实施例中，采用卷积神经网络对文档信息进行深度挖掘，从而更加准确的获取用户对商品的评价。
在具体实现中，卷积神经网络运用了五个层次，分别为数据层、卷积层、激励层、池化层和输出层。
数据层用于获取文档信息，并将所述文档信息按照预设规则转化成信息矩阵。
我们将文档信息看做是L个单词长度的序列，其中，L是一个变量，其具体取值可以根据实际需求设定。然后将单词向量组成信息矩阵，该信息矩阵可以任意初始化，或用已经训练的单词得到的权重嵌入卷积神经网络模型中，信息矩阵D如下：
D＝[···xi-1,xi,xi+1···]∈Rp×l
其中，l代表文件的长度，p代表输入的单词向量维度，xi代表单词向量。
卷积层用于对所述信息矩阵进行线性映射，得到特性矩阵。
卷积层中每个神经元只关注一个特性，对信息矩阵进行线性映射是指利用一组固定的权重和不同窗口内数据做内积即
其中，wi表示权重，b是偏差系数。
激励层用于利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量。
激励函数有：S型函数(Sigmoid)、双曲正切函数(Tanh)、修正线性单元激励函数(Rectified Linear Units，ReLU)、Leaky ReLU、ELU、网络函数(Maxout)等。
在本发明实施例中，用修正线性单元激励函数对特性矩阵进行非线性映射，具体的，可以利用如下公式，对所述特性矩阵进行非线性映射，得到特征向量，
其中，f代表激励函数，*是卷积运算符，Bj是偏差系数矩阵，D表示所述信息矩阵，Wj表示与所述特性矩阵相对应的权重矩阵，Wj*D+Bj表示所述特性矩阵。
利用上述公式得到的特征向量为
其中，ws是滑动窗口的大小。
因为每一组权重矩阵都代表了一种信息特征，所以我们可以得到与权重矩阵数量一样多的特征向量。
池化层用于对各个所述特征向量进行压缩处理，得到采样向量。
在本发明实施例中，可以将每个特征向量中的最大值作为最终的特征向量，由此得到的采样向量如下：
其中，nc表示特征向量的个数。
输出层用于利用误差反向传播算法对所述采样向量进行处理，确定出目标特征向量。
误差反向传播算法(BackPropagation，BP)利用链式求导法则，逐级相乘直到求解出dW和db。最后通过非线性映射，得到目标特征向量其中，是训练的权重矩阵，是偏差系数。
从整个过程来看，卷积神经网络相当于一个函数，给定一个特定的文档信息，输出值是目标特征向量。
S102：依据用户对商品的评分信息，建立初始评分矩阵。
在本发明实施例中，商品可以是具体存在的实体物品，也可以是一些虚拟物品，例如，电影、电子期刊等。用户对商品的评分信息包含了用户对商品的评价。例如，用户观看一部电影后，根据对该部电影的喜爱程度，给出的一个电影评分。
在具体实现中，操作人员可以通过系统提供的相关界面，输入收集到的多个用户的评分信息。系统可以对这些评分信息进行处理，建立一个初始评分矩阵。初始评分矩阵反映了用户对商品的实际评分。
例如，收集了U个用户对D个商品的评分信息，相应的，可以建立一个U行D列的初始评分矩阵。
需要说明的是，为了使得收集的评分信息更加全面，在评分信息中也可以包含有用户的兴趣爱好、查询时所需的关键字、商品的一些属性信息等。
S103：依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵。
初始评分矩阵中可能会存在用户未对商品做出评价的空白项。如果只利用基于矩阵分解的隐语义模型，对初始评分矩阵进行处理，预测出的分值仍会存在较大的误差，故此，在本发明实施例中将目标特征向量引入到基于矩阵分解的隐语义模型中，故卷积神经网络与基于矩阵分解的隐语义模型可以写成如下形式：
其中，特征向量s＝cnn(W,Xj)，P和Q为初始评分矩阵分解得到的两个矩阵，W表示权重矩阵，rij表示初始评分矩阵中第i行j列的元素，pi表示矩阵P中的第i个元素，qj表示矩阵Q中的第j个元素，wk表示权重矩阵W中的第k个元素，平衡系数δ2表示初始评分矩阵的方差，表示矩阵P的方差，表示矩阵Q的方差，表示权重矩阵W的方差；
利用梯度下降法，求解矩阵P和矩阵Q中各元素的取值，以得到目标矩阵。
通过目标特征向量对预测出的分值进行校正，使得最终得到的目标矩阵更加准确。
由上述技术方案可以看出，利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；依据用户对商品的评分信息，建立初始评分矩阵；该初始评分矩阵中会存在用户未对商品做出评价的空白项，依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，填充初始评分矩阵中的空白项，得到目标矩阵。利用卷积神经网络可以对用户关于商品的文档信息进行上下文识别，更好的挖掘了用户对商品的一些文本信息，从而弱化了数据稀疏性问题带来的影响。通过将目标特征向量代入基于矩阵分解的隐语义模型中，可以使得目标矩阵中预测出的评分值更加准确。
利用卷积神经网络和基于矩阵分解的隐语义模型相结合的方式，得到的目标矩阵会更加准确，在本发明实施例中，可以利用协同过滤算法，对所述目标矩阵进行分析处理，确定出向目标用户推荐的目标商品。
以用户A为例，可以将用户A作为目标用户，利用协同过滤算法可以找到与用户A最近邻的用户B，也即与用户A具有相同或较高相似度的兴趣爱好的用户。将用户B已经浏览或购买的商品，而用户A并未浏览或购买的商品作为目标商品，按照目标矩阵中用户A对这些商品的评分高低的顺序，向用户A推荐这些商品。
图2为本发明实施例提供的一种基于卷积神经网络确定评分矩阵的装置的结构示意图，包括确定单元21、建立单元22和得到单元23；
所述确定单元21，用于利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；
所述建立单元22，用于依据用户对商品的评分信息，建立初始评分矩阵；
所述得到单元23，用于依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵。
可选的，所述确定单元包括转化子单元、线性映射子单元、非线性映射子单元、采样子单元和输出子单元；
所述转化子单元，用于获取文档信息，并将所述文档信息按照预设规则转化成信息矩阵；
所述线性映射子单元，用于对所述信息矩阵进行线性映射，得到特性矩阵；
所述非线性映射子单元，用于利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量；
所述采样子单元，用于对各个所述特征向量进行压缩处理，得到采样向量；
所述输出子单元，用于利用误差反向传播算法对所述采样向量进行处理，确定出目标特征向量。
可选的，所述非线性映射子单元具体用于利用如下公式，对所述特性矩阵进行非线性映射，得到特征向量，
其中，f代表激励函数，*是卷积运算符，Bj是偏差系数矩阵，D表示所述信息矩阵，Wj表示与所述特性矩阵相对应的权重矩阵，Wj*D+Bj表示所述特性矩阵。
可选的，所述得到单元具体用于利用如下公式，对所述初始评分矩阵进行分解处理；
其中，特征向量s＝cnn(W,Xj)，P和Q为初始评分矩阵分解得到的两个矩阵，W表示权重矩阵，rij表示初始评分矩阵中第i行j列的元素，pi表示矩阵P中的第i个元素，qj表示矩阵Q中的第j个元素，wk表示权重矩阵W中的第k个元素，平衡系数δ2表示初始评分矩阵的方差，表示矩阵P的方差，表示矩阵Q的方差，表示权重矩阵W的方差；
并利用梯度下降法，求解矩阵P和矩阵Q中各元素的取值，以得到目标矩阵。
可选的，还包括推荐单元，所述推荐单元，用于利用协同过滤算法，对所述目标矩阵进行分析处理，确定出向目标用户推荐的目标商品。
图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；依据用户对商品的评分信息，建立初始评分矩阵；该初始评分矩阵中会存在用户未对商品做出评价的空白项，依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，填充初始评分矩阵中的空白项，得到目标矩阵。利用卷积神经网络可以对用户关于商品的文档信息进行上下文识别，更好的挖掘了用户对商品的一些文本信息，从而弱化了数据稀疏性问题带来的影响。通过将目标特征向量代入基于矩阵分解的隐语义模型中，可以使得目标矩阵中预测出的评分值更加准确以上对本发明实施例所提供的一种基于卷积神经网络确定评分矩阵的方法和装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种基于卷积神经网络确定评分矩阵的方法，其特征在于，包括：
利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；
依据用户对商品的评分信息，建立初始评分矩阵；
依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵。
2.根据权利要求1所述的方法，其特征在于，所述利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量包括：
获取文档信息，并将所述文档信息按照预设规则转化成信息矩阵；
对所述信息矩阵进行线性映射，得到特性矩阵；
利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量；
对各个所述特征向量进行压缩处理，得到采样向量；
利用误差反向传播算法对所述采样向量进行处理，确定出目标特征向量。
3.根据权利要求2所述的方法，其特征在于，所述利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量包括：
利用如下公式，对所述特性矩阵进行非线性映射，得到特征向量，
<mrow>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>W</mi>
<mi>j</mi>
</msup>
<mo>*</mo>
<mi>D</mi>
<mo>+</mo>
<msup>
<mi>B</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，f代表激励函数，*是卷积运算符，Bj是偏差系数矩阵，D表示所述信息矩阵，Wj表示与所述特性矩阵相对应的权重矩阵，Wj*D+Bj表示所述特性矩阵。
4.根据权利要求3所述的方法，其特征在于，所述依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵包括：
利用如下公式，对所述初始评分矩阵进行分解处理；
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>,</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>U</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>D</mi>
</munderover>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>P</mi>
</msub>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>U</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>Q</mi>
</msub>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>D</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mi>s</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>W</mi>
</msub>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mi>k</mi>
<mrow>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
</mrow>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中，特征向量s＝cnn(W,Xj)，P和Q为初始评分矩阵分解得到的两个矩阵，W表示权重矩阵，rij表示初始评分矩阵中第i行j列的元素，pi表示矩阵P中的第i个元素，qj表示矩阵Q中的第j个元素，wk表示权重矩阵W中的第k个元素，平衡系数δ2表示初始评分矩阵的方差，表示矩阵P的方差，表示矩阵Q的方差，表示权重矩阵W的方差；
利用梯度下降法，求解矩阵P和矩阵Q中各元素的取值，以得到目标矩阵。
5.根据权利要求1-4任意一项所述的方法，其特征在于，还包括：
利用协同过滤算法，对所述目标矩阵进行分析处理，确定出向目标用户推荐的目标商品。
6.一种基于卷积神经网络确定评分矩阵的装置，其特征在于，包括确定单元、建立单元和得到单元；
所述确定单元，用于利用预先训练好的卷积神经网络对获取的文档信息进行处理，确定出目标特征向量；
所述建立单元，用于依据用户对商品的评分信息，建立初始评分矩阵；
所述得到单元，用于依据所述目标特征向量和基于矩阵分解的隐语义模型，对所述初始评分矩阵进行处理，得到目标矩阵。
7.根据权利要求6所述的装置，其特征在于，所述确定单元包括转化子单元、线性映射子单元、非线性映射子单元、采样子单元和输出子单元；
所述转化子单元，用于获取文档信息，并将所述文档信息按照预设规则转化成信息矩阵；
所述线性映射子单元，用于对所述信息矩阵进行线性映射，得到特性矩阵；
所述非线性映射子单元，用于利用激励函数，对所述特性矩阵进行非线性映射，得到至少一个特征向量；
所述采样子单元，用于对各个所述特征向量进行压缩处理，得到采样向量；
所述输出子单元，用于利用误差反向传播算法对所述采样向量进行处理，确定出目标特征向量。
8.根据权利要求7所述的装置，其特征在于，所述非线性映射子单元具体用于利用如下公式，对所述特性矩阵进行非线性映射，得到特征向量，
<mrow>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>W</mi>
<mi>j</mi>
</msup>
<mo>*</mo>
<mi>D</mi>
<mo>+</mo>
<msup>
<mi>B</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，f代表激励函数，*是卷积运算符，Bj是偏差系数矩阵，D表示所述信息矩阵，Wj表示与所述特性矩阵相对应的权重矩阵，Wj*D+Bj表示所述特性矩阵。
9.根据权利要求8所述的装置，其特征在于，所述得到单元具体用于利用如下公式，对所述初始评分矩阵进行分解处理；
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>,</mo>
<mi>Q</mi>
<mo>,</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>U</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>D</mi>
</munderover>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>P</mi>
</msub>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>U</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>Q</mi>
</msub>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mi>j</mi>
<mi>D</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>q</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mi>s</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>&lambda;</mi>
<mi>W</mi>
</msub>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mi>k</mi>
<mrow>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
</mrow>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>k</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中，特征向量s＝cnn(W,Xj)，P和Q为初始评分矩阵分解得到的两个矩阵，W表示权重矩阵，rij表示初始评分矩阵中第i行j列的元素，pi表示矩阵P中的第i个元素，qj表示矩阵Q中的第j个元素，wk表示权重矩阵W中的第k个元素，平衡系数δ2表示初始评分矩阵的方差，表示矩阵P的方差，表示矩阵Q的方差，表示权重矩阵W的方差；
并利用梯度下降法，求解矩阵P和矩阵Q中各元素的取值，以得到目标矩阵。
10.根据权利要求6-9任意一项所述的装置，其特征在于，还包括推荐单元，所述推荐单元，用于利用协同过滤算法，对所述目标矩阵进行分析处理，确定出向目标用户推荐的目标商品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810022315.4A CN108090229A (zh) | 2018-01-10 | 2018-01-10 | 一种基于卷积神经网络确定评分矩阵的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810022315.4A CN108090229A (zh) | 2018-01-10 | 2018-01-10 | 一种基于卷积神经网络确定评分矩阵的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108090229A true CN108090229A (zh) | 2018-05-29 |
Family
ID=62181951
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810022315.4A Pending CN108090229A (zh) | 2018-01-10 | 2018-01-10 | 一种基于卷积神经网络确定评分矩阵的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090229A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
| CN108985899A (zh) * | 2018-07-13 | 2018-12-11 | 合肥工业大学 | 基于cnn-lfm模型的推荐方法、系统及存储介质 |
| CN109299321A (zh) * | 2018-08-31 | 2019-02-01 | 出门问问信息科技有限公司 | 一种曲目推荐方法及装置 |
| CN109446430A (zh) * | 2018-11-29 | 2019-03-08 | 西安电子科技大学 | 产品推荐的方法、装置、计算机设备及可读存储介质 |
| CN109754067A (zh) * | 2018-11-30 | 2019-05-14 | 华南师范大学 | 基于卷积注意力的矩阵分解方法、装置及电子设备 |
| CN109785062A (zh) * | 2019-01-10 | 2019-05-21 | 电子科技大学 | 一种基于协同过滤模型的混合神经网络推荐系统 |
| CN109800853A (zh) * | 2018-11-30 | 2019-05-24 | 华南师范大学 | 融合卷积神经网络和显式反馈的矩阵分解方法、装置及电子设备 |
| CN110059262A (zh) * | 2019-04-19 | 2019-07-26 | 武汉大学 | 一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法 |
| CN110555161A (zh) * | 2018-05-30 | 2019-12-10 | 河南理工大学 | 一种基于用户信任和卷积神经网络的个性化推荐方法 |
| CN110838157A (zh) * | 2019-10-10 | 2020-02-25 | 青岛海信网络科技股份有限公司 | 一种应急突发场景专题图生成的方法及装置 |
| CN110838020A (zh) * | 2019-09-16 | 2020-02-25 | 平安科技（深圳）有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及存储介质 |
| CN111914159A (zh) * | 2019-05-10 | 2020-11-10 | 招商证券股份有限公司 | 一种信息推荐方法及终端 |
| CN112667913A (zh) * | 2021-01-21 | 2021-04-16 | 中信银行股份有限公司 | 数据推荐方法、装置、设备及存储介质 |
| CN112749345A (zh) * | 2021-02-09 | 2021-05-04 | 上海海事大学 | 一种基于神经网络的k近邻矩阵分解推荐方法 |
| CN112905906A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 一种融合局部协同与特征交叉的推荐方法及系统 |
| CN114881689A (zh) * | 2022-04-26 | 2022-08-09 | 驰众信息技术（上海）有限公司 | 基于矩阵分解的楼宇推荐方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976070A (zh) * | 2016-05-27 | 2016-09-28 | 北京交通大学 | 基于重点元素的矩阵分解及微调方法 |
| CN107330727A (zh) * | 2017-06-30 | 2017-11-07 | 重庆邮电大学 | 一种基于隐语义模型的个性化推荐方法 |
-
2018
- 2018-01-10 CN CN201810022315.4A patent/CN108090229A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976070A (zh) * | 2016-05-27 | 2016-09-28 | 北京交通大学 | 基于重点元素的矩阵分解及微调方法 |
| CN107330727A (zh) * | 2017-06-30 | 2017-11-07 | 重庆邮电大学 | 一种基于隐语义模型的个性化推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨锡慧: ""基于融合卷积神经网络的协同过滤模型"", 《软件导刊》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555161A (zh) * | 2018-05-30 | 2019-12-10 | 河南理工大学 | 一种基于用户信任和卷积神经网络的个性化推荐方法 |
| CN108985830A (zh) * | 2018-07-05 | 2018-12-11 | 北京邮电大学 | 基于异质信息网络的推荐评分方法、装置 |
| CN108985899A (zh) * | 2018-07-13 | 2018-12-11 | 合肥工业大学 | 基于cnn-lfm模型的推荐方法、系统及存储介质 |
| CN108985899B (zh) * | 2018-07-13 | 2022-04-22 | 合肥工业大学 | 基于cnn-lfm模型的推荐方法、系统及存储介质 |
| CN109299321A (zh) * | 2018-08-31 | 2019-02-01 | 出门问问信息科技有限公司 | 一种曲目推荐方法及装置 |
| CN109446430A (zh) * | 2018-11-29 | 2019-03-08 | 西安电子科技大学 | 产品推荐的方法、装置、计算机设备及可读存储介质 |
| CN109446430B (zh) * | 2018-11-29 | 2021-10-01 | 西安电子科技大学 | 产品推荐的方法、装置、计算机设备及可读存储介质 |
| CN109800853A (zh) * | 2018-11-30 | 2019-05-24 | 华南师范大学 | 融合卷积神经网络和显式反馈的矩阵分解方法、装置及电子设备 |
| CN109800853B (zh) * | 2018-11-30 | 2022-11-08 | 华南师范大学 | 融合卷积神经网络和显式反馈的矩阵分解方法、装置及电子设备 |
| CN109754067A (zh) * | 2018-11-30 | 2019-05-14 | 华南师范大学 | 基于卷积注意力的矩阵分解方法、装置及电子设备 |
| CN109785062B (zh) * | 2019-01-10 | 2021-09-24 | 电子科技大学 | 一种基于协同过滤模型的混合神经网络推荐系统 |
| CN109785062A (zh) * | 2019-01-10 | 2019-05-21 | 电子科技大学 | 一种基于协同过滤模型的混合神经网络推荐系统 |
| CN110059262A (zh) * | 2019-04-19 | 2019-07-26 | 武汉大学 | 一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法 |
| CN110059262B (zh) * | 2019-04-19 | 2021-07-02 | 武汉大学 | 一种基于混合神经网络的项目推荐模型的构建方法及装置、项目推荐方法 |
| CN111914159A (zh) * | 2019-05-10 | 2020-11-10 | 招商证券股份有限公司 | 一种信息推荐方法及终端 |
| CN111914159B (zh) * | 2019-05-10 | 2024-03-12 | 招商证券股份有限公司 | 一种信息推荐方法及终端 |
| CN110838020A (zh) * | 2019-09-16 | 2020-02-25 | 平安科技（深圳）有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及存储介质 |
| CN110838020B (zh) * | 2019-09-16 | 2023-06-23 | 平安科技（深圳）有限公司 | 基于向量迁移的推荐方法、装置、计算机设备及存储介质 |
| CN110838157A (zh) * | 2019-10-10 | 2020-02-25 | 青岛海信网络科技股份有限公司 | 一种应急突发场景专题图生成的方法及装置 |
| CN110838157B (zh) * | 2019-10-10 | 2023-07-21 | 青岛海信网络科技股份有限公司 | 一种应急突发场景专题图生成的方法及装置 |
| CN112667913A (zh) * | 2021-01-21 | 2021-04-16 | 中信银行股份有限公司 | 数据推荐方法、装置、设备及存储介质 |
| CN112905906B (zh) * | 2021-01-25 | 2022-07-15 | 浙江大学 | 一种融合局部协同与特征交叉的推荐方法及系统 |
| CN112905906A (zh) * | 2021-01-25 | 2021-06-04 | 浙江大学 | 一种融合局部协同与特征交叉的推荐方法及系统 |
| CN112749345B (zh) * | 2021-02-09 | 2023-11-14 | 上海海事大学 | 一种基于神经网络的k近邻矩阵分解推荐方法 |
| CN112749345A (zh) * | 2021-02-09 | 2021-05-04 | 上海海事大学 | 一种基于神经网络的k近邻矩阵分解推荐方法 |
| CN114881689A (zh) * | 2022-04-26 | 2022-08-09 | 驰众信息技术（上海）有限公司 | 基于矩阵分解的楼宇推荐方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090229A (zh) | 一种基于卷积神经网络确定评分矩阵的方法和装置 | |
| Monroe et al. | Evaluating structural equation models for categorical outcomes: A new test statistic and a practical challenge of interpretation | |
| CN105260390B (zh) | 一种面向群组的基于联合概率矩阵分解的项目推荐方法 | |
| CN104598611B (zh) | 对搜索条目进行排序的方法及系统 | |
| CN110472042B (zh) | 一种细粒度情感分类方法 | |
| CN103353872B (zh) | 一种基于神经网络的教学资源个性化推荐方法 | |
| CN110413888B (zh) | 一种书籍推荐方法及装置 | |
| CN107239993A (zh) | 一种基于拓展标签的矩阵分解推荐方法及系统 | |
| CN108416535A (zh) | 基于深度学习的专利价值评估的方法 | |
| CN106126615A (zh) | 一种兴趣点推荐的方法及系统 | |
| CN106909560B (zh) | 兴趣点排序方法 | |
| CN106777402A (zh) | 一种基于稀疏神经网络的图像检索文本方法 | |
| CN111859967A (zh) | 实体识别方法、装置，电子设备 | |
| CN112765482A (zh) | 产品投放方法、装置、设备及计算机可读介质 | |
| Wang et al. | A nonparametric mean estimator for judgment poststratified data | |
| Ilić | A geometric time series model with a new dependent Bernoulli counting series | |
| Chen et al. | The value of hydrologic information in reservoir outflow decision-making | |
| CN116911949A (zh) | 基于边界排名损失和邻域感知图神经网络的物品推荐方法 | |
| CN112381147A (zh) | 动态图片相似度模型建立、相似度计算方法和装置 | |
| CN107329951A (zh) | 构建命名实体标注资源库方法、装置、存储介质和计算机设备 | |
| CN108763515B (zh) | 一种基于概率矩阵分解的时间敏感个性化推荐方法 | |
| CN106815257A (zh) | 一种用户可信度的计算方法及装置 | |
| CN109800424A (zh) | 一种基于改进矩阵分解与跨通道卷积神经网络的推荐方法 | |
| Velthoen et al. | Forward variable selection for random forest models | |
| Chen et al. | The economic loss prediction of flooding based on machine learning and the input-output model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
| RJ01 | Rejection of invention patent application after publication |