CN109740924A - 融合属性信息网络和矩阵分解的物品评分预测方法 - Google Patents
融合属性信息网络和矩阵分解的物品评分预测方法 Download PDFInfo
- Publication number
- CN109740924A CN109740924A CN201811640589.6A CN201811640589A CN109740924A CN 109740924 A CN109740924 A CN 109740924A CN 201811640589 A CN201811640589 A CN 201811640589A CN 109740924 A CN109740924 A CN 109740924A
- Authority
- CN
- China
- Prior art keywords
- matrix
- article
- network
- parameter
- prediction
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种融合属性信息网络和矩阵分解的物品评分预测方法,解决了如何更准确地对物品评分预测的问题。实现步骤有:构建属性信息网络;采集数据和信息;构建融合分解模型;初始化参数;选择评价指标和损失函数计算公式;计算预测评分矩阵;计算训练集预测评分矩阵损失;对参数优化更新得到新的预测评分矩阵;计算测试集预测评分矩阵评价指标;判断评价指标;若满足停止条件直接输出结果;否则,返回迭代计算逐渐降低损失;直至满足条件输出结果。本发明将用户和物品更多信息经过属性信息网络得到的维度变换结果又与矩阵分解融合形成预测模型,采用两种损失函数,使得物品评分预测更为准确,本发明可应用于对网上物品进行自动化的预测。
Description
技术领域
本发明属于计算机和网络技术领域,更进一步涉及网络信息的分类,具体是一种融合属性信息网络和矩阵分解的物品评分预测方法。用于网络物品评分的预测。
背景技术
网络已经应用到人们的生活的各种领域,很多数据分析工程、信息处理工程都需要通过网络来完成,这些工程通过网络进行使得效率得到了提高。通过网络技术进行物品评分的预测,涉及到网络,涉及到信息过滤,具体通过网络数据对物品评分进行预测,属于一种信息处理工程,通常需要分析用户的历史行为数据,通过数据类型分析发现用户的数据倾向,并预测数据中的倾向和变化走向,预测出用户感兴趣的物品或信息。
现如今,已存在的预测方法有很多,协同过滤算法是目前应用最为广泛的预测算法,矩阵分解是协同过滤方法中的一种,很好地解决了数据稀疏问题。但仅仅依靠用户物品的评分是不够的。
HongJian Xue等人在其发表的论文“Deep Matrix Factorization Models forRecommender Systems”(2017International Joint Conference on ArtificialIntelligence)中提出了一种针对推荐系统的深度矩阵分解模型。该方法的步骤是:步骤1,初始化分别提取用户特征和物品特征的两个网络;步骤2,将评分矩阵行列向量作为输入,对网络进行训练;步骤3,完成训练后,计算两个特征的相似度,得到用户对物品的感兴趣程度。该方法存在的不足之处是,仅仅通过最原始的评分信息作为输入进行模型构建,得到的模型在对物品评分的预测上不够准确。
陕西科技大学在其申请的专利文献“基于矩阵分解协同过滤算法的图书推荐方法及系统”(申请号:201810260195.1,申请公布号:CN 108509573 A)中公开了一种基于矩阵分解协同过滤算法的图书推荐方法及系统,实现了基于矩阵分解协同过滤算法的图书推荐方法。该算法以用户评分为特征向量,通过构造改进的代价函数训练回归模型来预测图书的评分。该算法可以有效解决基于内存的方法中的数据稀疏和可扩展性弱等问题,同时提高推荐算法的精度。该方法存在的不足之处是,并没有结合用户和物品的属性信息进行矩阵分解,使得预测精度不够高。
综上,现有技术存在着仅使用用户对物品的评分数据,但并没有结合用户和物品的更多信息去参与预测的问题。
发明内容
本发明的目的在于针对上述现有技术存在的不足,提出了一种能够结合用户和物品更多信息的针对物品评分预测的精度更高的融合属性信息网络和矩阵分解的物品评分预测方法。
本发明是一种基于融合属性信息网络和矩阵分解的物品评分预测方法,涉及到用户和物品,其特征在于,包括有如下步骤:
(1)构建具有维度变换中间层的属性信息网络:该网络由若干层构成,在底层和最上层之间至少有两层属于输入信息的维度变换层,通过设置该网络的各层权重和偏置的超参数进行输入信息的维度变换,得到输入信息在该网络中的维度变换结果;
(2)采集数据和信息,将参与物品评分预测的信息输入到构建的网络,得到其对应的维度变换结果:采集数据和信息,将用户对物品的评分数据整合为评分数据集,将评分数据集的80%作为训练集,20%作为测试集;信息包含有参与物品评分预测的信息,参与物品评分预测的信息具体是物品被用户所评分的历史信息、用户属性信息、物品属性信息,将上述参与物品评分预测的信息均输入到具有维度变换中间层的属性信息网络中,得到上述输入信息各自在网络中的维度变换结果;
(3)构建预测评分矩阵的分解模型:将输入信息各自在构建网络中的维度变换结果与矩阵分解模型相结合,得到预测评分矩阵的计算函数f;
(4)初始化预测评分矩阵分解参数、网络参数:矩阵分解参数包括平均值参数A、偏差参数B、用户特征参数U、物品特征参数I、物品历史特征参数Z,矩阵分解参数及网络参数均为矩阵;
(4a)以训练集全局平均值对平均值参数A进行初始化,所述的全局平均值为:对于训练集评分矩阵,将训练集评分矩阵中的所有元素进行求和,然后除以训练集的评分数目;
(4b)以用户平均值减去全局平均值得到的差与物品平均值减去全局平均值得到的差的和对偏差参数B进行初始化;
(4c)用户特征参数U、物品特征参数I、物品历史特征参数Z与具有维度变换中间层的属性信息网络的各层权重和偏置的参数,其初始化均服从正态分布;
(4d)初始化待输出预测评分矩阵PRECISION为全0矩阵;
(4e)初始化最小评价指标为1.5;
(4f)初始化迭代次数为1;
(5)选择评价指标计算公式和损失函数计算公式:针对测试集,用平均绝对误差MAE或均方根误差RMSE作为测试集预测评分矩阵P_TE的评价指标,分别对应各自不同的评价指标计算公式;针对训练集,从第一损失函数和第二损失函数中选择一个作为计算训练集预测评分矩阵P_TR的损失函数,若测试集选择平均绝对误差MAE作为评价指标计算公式,则选择第一损失函数作为损失函数计算公式;若测试集选择均方根误差RMSE作为评价指标计算公式,则选择第二损失函数作为损失函数计算公式;
(6)计算预测评分矩阵P:使用已初始化的矩阵分解参数和网络参数通过预测评分矩阵的计算函数f计算得到的矩阵作为预测评分矩阵P,即得到当前预测评分矩阵P;
(7)计算得到训练集预测评分矩阵P_TR损失:根据当前预测评分矩阵P通过训练集预测评分矩阵公式计算得到训练集预测评分矩阵P_TR,再根据训练集预测评分矩阵P_TR结合损失函数计算训练集预测评分矩阵P_TR的损失;
(8)对矩阵分解参数和网络参数进行优化更新:采用自适应矩估计的方法分别对矩阵分解参数和网络参数进行一次优化更新,并迭代次数自增1,得到了一组新的矩阵分解参数和网络参数;根据已优化更新过的矩阵分解参数和网络参数,通过计算函数f计算新的预测评分矩阵P;
(9)计算得到测试集预测评分矩阵P_TE的评价指标:根据当前预测评分矩阵P通过测试集预测评分矩阵公式计算得到测试集预测评分矩阵P_TE,再根据测试集预测评分矩阵P_TE结合评价指标计算公式计算测试集预测评分矩阵P_TE的评价指标;
(10)对测试集预测评分矩阵P_TE的评价指标进行判断:如果该评价指标小于最小评价指标,则用当前评价指标把最小评价指标覆盖,即更新了最小评价指标,并且记录此时的预测评分矩阵P,存储在待输出预测评分矩阵PRECISION中,并执行步骤(11);如果该评价指标大于等于最小评价指标,则不进行最小评价指标的更新,直接执行步骤(11);
(11)判断是否满足停止条件:只有当迭代次数大于20且能够被20整除且每20次迭代的评价指标值有增大趋势时,执行步骤(12),输出对物品的预测评分;否则,返回到步骤(7),循环执行步骤(7)到(11),逐次降低损失,寻找最小评价指标及其对应的待输出预测评分矩阵PRECISION,直到满足停止条件时中断迭代;
(12)输出当前最小评价指标,并将当前最小评价指标对应的待输出预测评分矩阵PRECISION转化为对物品的预测评分再进行输出。
本发明将物品被用户所评分历史信息、用户属性信息、物品属性信息通过属性信息网络得到其对应的维度变换结果,与矩阵分解相结合得到一个新的预测模型,在评分的预测上取得了更好的预测效果。
本发明与现有技术相比有以下优点:
第一,本发明通过将物品被用户所评分历史信息、用户属性信息、物品属性信息输入进具有维度变换中间层的属性信息网络得到各自的维度变换结果,与矩阵分解结合起来,提出了一个更为完善的预测模型,使得预测评分更为准确。
第二,在针对不同评价指标计算公式计算时,不再采用单一损失函数计算公式,而是自己设计了第一损失函数计算公式和第二损失函数计算公式,并且这两个损失函数计算公式在正则项中不加入物品属性信息的维度变换结果,使得预测评分的准确性得到了提高。
第三,现有技术在预测评分时,是针对单一元素依次进行的,本发明的模型相比现有技术针对单一元素依次进行的方式,将预测评分通过矩阵运算得到,之后再转化为对物品的评分,选取了自适应矩估计作为参数优化方式,使得效率得到了提高。在优化时都对网络参数和矩阵分解参数进行优化,使得预测评分更加准确。
第四,本发明所构建的计算函数f,即评分预测模型,将用户和物品的更多信息经过网络得到其维度变换结果,将维度变换结果与矩阵分解进行融合,在对物品评分的预测上,精度得到了提高。
附图说明
图1是本发明的流程图。
图2是本发明MAE随特征数的变化图。
图3是本发明计算MAE的情况下,其时间随特征数的变化图。
图4是本发明RMSE随特征数的变化图。
图5是本发明计算RMSE的情况下,其时间随特征数的变化图。
图6是本发明不同预测模型方法的MAE对比图。
图7是本发明不同预测模型方法的RMSE对比图。
具体实施方式:
以下结合附图对本发明做详细描述。
实施例1
目前,网络已经和人们的生活密不可分,有许多数据分析工程、信息处理工程也是通过网络来完成的,仅通过评分信息作为输入进行评分预测的方式,并没有结合用户和物品的其他信息进行矩阵分解,得到的预测评分不够准确。
本发明针对以上问题,提出一种融合属性信息网络和矩阵分解的物品评分预测方法,其中涉及到用户和物品,参见图1,本发明通过构建具有维度变换中间层的属性信息网络,将物品被用户所评分历史信息、用户属性信息和物品属性信息通过该网络进行维度变换,与矩阵分解结合得到一个新的预测模型,在训练集上训练这个模型,然后在测试集上根据这个模型预测物品的评分,通过评价指标判断预测评分是否更加准确,包括有如下步骤:
(1)构建具有维度变换中间层的属性信息网络:该网络由若干层构成,在底层和最上层之间至少有两层属于输入信息的维度变换层,通过设置该网络的各层权重和偏置的超参数进行输入信息的维度变换,得到输入信息在该网络中的维度变换结果。
(2)采集数据和信息,将参与物品评分预测的信息输入到构建的网络,得到其对应的维度变换结果:本发明采集数据和信息,是将用户对物品的评分数据整合为评分数据集,且将评分数据集的80%作为训练集,20%作为测试集,用户对物品的评分数据集中的数据是一个用户对应多个物品的评分,数据的采集可以从网上得到相关数据,也可以从数据库中采集到相关数据。信息包含有参与物品评分预测的信息,这些信息均为矩阵,参与物品评分预测的信息具体是物品被用户所评分的历史信息、用户属性信息、物品属性信息,将上述参与物品评分预测的信息均输入到具有维度变换中间层的属性信息网络中,得到上述输入信息各自在网络中的维度变换结果。
(3)构建预测评分矩阵的分解模型:将输入信息各自在网络中的维度变换结果与矩阵分解模型相结合,得到一个融合分解模型,得到预测评分矩阵的计算函数f。该模型不仅仅依靠评分数据,还融合了输入信息经过属性信息网络进行维度变换得到的维度变换结果,预测评分的精度得到了提高。
(4)初始化预测评分矩阵分解参数、网络参数:本发明中矩阵分解参数主要包括平均值参数A、偏差参数B、用户特征参数U、物品特征参数I、物品历史特征参数Z,矩阵分解参数及网络参数均为矩阵。
(4a)以训练集全局平均值对平均值参数A进行初始化,所述的全局平均值为:对于训练集评分矩阵,将训练集评分矩阵中的所有元素进行求和,然后除以训练集的评分数目。
(4b)以用户平均值减去全局平均值得到的差与物品平均值减去全局平均值得到的差的和对偏差参数B进行初始化;所述的用户平均值为:对于训练集评分矩阵,先将训练集评分矩阵各行所有的元素进行求和,然后点除以训练集评分矩阵各行评分数目;所述的物品平均值为:对于训练集评分矩阵,先将训练集评分矩阵各列所有的元素进行求和,然后点除以训练集评分矩阵各列评分数目。
(4c)用户特征参数U、物品特征参数I、物品历史特征参数Z与具有维度变换中间层的属性信息网络的各层权重和偏置的参数,其初始化均服从正态分布。
(4d)初始化待输出预测评分矩阵PRECISION为全0矩阵。
(4e)初始化最小评价指标为1.5。
(4f)初始化迭代次数为1。
(5)选择评价指标计算公式和损失函数计算公式:针对训练集选择评价指标计算公式,针对测试集选择损失函数计算公式。
针对测试集,用平均绝对误差MAE或均方根误差RMSE作为物品预测评分矩阵的评价指标,分别对应有各自不同的评价指标计算公式,用于评价测试集预测评分矩阵P_TE是否更准确。
针对训练集,从第一损失函数计算公式和第二损失函数计算公式中选择一个作为计算训练集预测评分矩阵P_TR的损失函数计算公式,若测试集选择平均绝对误差MAE作为评价指标计算公式,则选择第一损失函数计算公式作为损失函数计算公式;若测试集选择均方根误差RMSE作为评价指标计算公式,则选择第二损失函数计算公式作为损失函数计算公式。本发明无论是第一损失函数计算公式还是第二损失函数计算公式均把矩阵分解参数和维度变换结果融合到了损失计算中。为了减少训练集预测评分矩阵P_TR的损失,损失函数计算公式的正则项中不加入物品属性信息的维度变换结果IA。
(6)计算预测评分矩阵P:使用已初始化的矩阵分解参数和网络参数通过预测评分矩阵的计算函数f计算得到的矩阵作为预测评分矩阵P,即得到当前预测评分矩阵P,本发明中,无论是训练集预测评分矩阵P_TR还是测试集预测评分矩阵P_TE,均由预测评分矩阵P通过相应公式计算得到。
(7)计算得到训练集预测评分矩阵P_TR损失:根据当前预测评分矩阵P通过训练集预测评分矩阵公式计算得到训练集预测评分矩阵P_TR,再根据训练集预测评分矩阵P_TR结合损失函数计算公式计算训练集预测评分矩阵P_TR的损失。
(8)对矩阵分解参数和网络参数进行优化更新:为了最小化损失,即为了减少训练集预测评分矩阵P_TR的损失,在步骤(7)中得到的训练集预测评分矩阵P_TR的损失之后,再采用自适应矩估计的方法分别对矩阵分解参数和网络参数进行一次优化更新,并迭代次数自增1,得到了一组新的矩阵分解参数和网络参数。本发明将矩阵分解参数和维度变换结果加入到损失函数计算公式中,用以减少训练集预测评分矩阵P_TR的损失,这一组新的矩阵分解参数和网络参数会使损失减小。第一组更新后的矩阵分解参数和网络参数是对初始化的矩阵分解参数和网络参数进行优化更新得到的,经过循环迭代,不断更新得到的矩阵分解参数和网络参数会使损失逐渐减少。根据已优化更新过矩阵分解参数和网络参数,即一组新的矩阵分解参数和网络参数,将它们带入计算函数f计算得到的矩阵作为新的预测评分矩阵P。预测评分矩阵P用于计算训练集预测评分矩阵P_TR和测试集预测评分矩阵P_TE,即预测评分矩阵P对于训练集预测评分矩阵P_TR和测试集预测评分矩阵P_TE是通用的。
(9)计算得到测试集预测评分矩阵P_TE的评价指标:根据当前预测评分矩阵P通过测试集预测评分矩阵公式计算得到测试集预测评分矩阵P_TE,再根据测试集预测评分矩阵P_TE结合评价指标计算公式计算测试集预测评分矩阵P_TE的评价指标。本发明针对测试集的数据通过评价指标计算公式计算出评价指标,用于评价测试集预测评分矩阵P_TE是否更准确。
(10)对测试集预测评分矩阵P_TE的评价指标进行判断:如果该评价指标小于最小评价指标,则用当前评价指标把最小评价指标覆盖,即更新了最小评价指标,并且记录此时的预测评分矩阵P,存储在待输出预测评分矩阵PRECISION中,并执行步骤(11);如果该评价指标大于等于最小评价指标,则不进行最小评价指标的更新,直接执行步骤(11)。本发明通过寻找最小评价指标得到其所对应的待输出预测评分矩阵PRECISION,为本发明对物品的预测评分的输出做准备。
(11)判断是否满足停止条件:只有当迭代次数大于20且能够被20整除,并且每20步迭代次数对应的评价指标值中,当前迭代次数所对应的评价指标值大于当前迭代次数倒数20次所对应的评价指标值时,也就是有增大趋势,执行步骤(12),输出对物品的预测评分。否则,返回到步骤(7),循环执行步骤(7)到(11),逐次降低损失,寻找最小评价指标及其对应的待输出预测评分矩阵PRECISION,直到满足停止条件时中断迭代。
(12)输出当前最小评价指标,并将当前最小评价指标对应的待输出预测评分矩阵PRECISION转化为对物品的预测评分再进行输出。
根据输出的对物品的预测评分,将用户没有评价过的并且预测评分高的物品推荐给用户。
本发明的具体思路是,将物品被用户所评分历史信息、用户属性信息、物品属性信息通过具有维度变换中间层的属性信息网络进行维度变换,与矩阵分解相结合,得到一个新的预测评分计算函数;通过在训练集上进行训练,不断优化更新的矩阵分解参数和网络参数使训练集预测评分矩阵损失逐渐减少,从而在测试集上进行评分预测时会使测试集的预测评分矩阵更加准确。
实施例2
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1,步骤(1)中所述的构建具有维度变换中间层的属性信息网络,该具有维度变换中间层的属性信息网络,其网络结构所需的层数随输入信息的规模变化,其网络结构是,X是参与物品评分预测的输入信息,也是该网络的输入信息;
以维度变换中间层是两层为例,Y是X经过两层网络进行维度变换的网络输出结果;
Y=Relu(X×W1+B1)×W2+B2
式中,W1是维度变换中间层的第一层权重,W2是维度变换中间层的第二层权重;B1是维度变换中间层的第一层偏置,B2是维度变换中间层的第二层偏置;Relu是激活函数。如果维度变换中间层有三层,则W3为第三层权重,B3为第三层偏置。
本发明设置维度变换中间层的各层的恰当维度,对输入信息进行能够充分提取其特征的维度变换,使得参与物品评分预测的信息在参与对物品评分的预测时提高预测评分的准确性。
本发明中,输入信息经过网络进行维度变换得到维度变换结果后,可以与矩阵分解相融合,从而能更加准确地预测评分。
实施例3
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-2,步骤(2)中所述的将各类输入信息输入到构建的网络,具体是具有维度变换中间层的属性信息网络,输入信息就是参与物品评分预测的信息具体是物品被用户所评分的历史信息、用户属性信息、物品属性信息。将输入信息输入到构建的属性信息网络后,在构建的网络中得到各信息对应的维度变换结果,包括有如下维度变换结果:
对物品被用户所评分的历史信息R_TRT经过网络进行维度变换得到物品被用户所评分历史信息的维度变换结果IR。
对用户属性信息经过网络进行维度变换得到用户属性信息维度变换结果UA。
对物品属性信息经过网络进行维度变换得到物品属性信息维度变换结果IA。
这些维度变换结果的维度数与特征数相同,这样就能和矩阵分解相结合在一起,从而能够构成一个新的计算函数。
本发明还将维度变换得到的结果加入到了第一损失函数和第二损失函数中,用以减少训练集预测评分矩阵P_TR的损失。
实施例4
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-3,步骤(2)中所述的用户属性信息、物品属性信息具体是:
用户属性信息是年龄、性别、职业,初始大小为UserNum×3,对于用户性别我们将男和女分别用0和1表示;对于用户职业,我们也将它们用数字表示;之后将这些再将这些已经是数字形式的用户年龄、性别、职业转化为二进制,最终,将用户信息的大小预处理为UserNum×12。
物品属性信息为物品所属的类别,为0、1矩阵,为1的元素表示该物品属于此类别,大小为ItemNum×19。
用户属性信息和物品属性信息虽然与评分并无直接关系,但经过网络进行维度变换后与矩阵分解相融合,能够更好地预测评分。
实施例5
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-4,步骤(3)中所述的预测评分矩阵的计算函数f即分解模型,计算公式为:
f=clip(A+B+(U+R_TR×Z./RN+UA)×(I+IR+IA./IAN)T)
clip()令矩阵各元素的下限为1,上限为5。
其中,A为平均值参数,B为偏差参数,U为用户特征参数,I为物品特征参数,Z为物品历史特征参数,这些参数均为矩阵。
TR为训练集的评分矩阵,行表示用户,列表示物品,矩阵的各元素表示用户对物品的评分。
R_TR为训练集的评分记录矩阵,即为用户对物品评分的历史信息,它将训练集评分矩阵TR中有评分记录的置为1,没有评分记录的置为0。
RN为训练集评分记录各行模值矩阵,其每行均为R_TR对应行的模值的开方,因为需要点除,大小与R_TR×Z相同。
IAN为物品属性各行模值矩阵,其每行均为物品属性矩阵对应行的模值的开方,因为需要点除,大小与IA相同。
本发明中使用已初始化的矩阵分解参数和网络参数通过预测评分矩阵的计算函数f计算得到的矩阵作为预测评分矩阵P,就是将具体的矩阵分解参数和网络参数代入后,即得到当前预测评分矩阵P。预测评分矩阵P对于计算训练集预测评分矩阵P_TR和测试集预测评分矩阵P_TE是通用的。
本发明通过将物品被用户所评分历史信息、用户属性信息、物品属性信息输入进具有维度变换中间层的属性信息网络得到各自的维度变换结果,与矩阵分解结合起来,提出了一个结合用户和物品的更多信息去参与预测,整个方案更完善的预测模型,预测评分更为准确。
实施例6
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-5,步骤(5)中所述的第一损失函数计算公式和第二损失函数计算公式,其公式具体为:
本发明中,如果测试集所选择的评价指标计算公式为MAE,则训练集的第一损失函数计算公式为,
L1=||P_TR-TR||L1+λ1×(||U||L1+||R_TR×Z./RN||L1+||UA||L1+||I||L1+||IR||L1)
如果测试集所选择的评价指标计算公式为RMSE,则训练集的第二损失函数计算公式为,
L2=||P_TR-TR||L2+λ2×(||U||L2+||R_TR×Z./RN||L2+||UA||L2+||I||L2+||IR||L2)
两个损失函数计算公式以第一个加号为基准均可以分为两个部分,第一部分都是计算训练集预测评分矩阵P_TR与训练集实际评分矩阵TR的误差项,第二部分都是可减少过拟合现象的正则项,使预测更准确。其中P_TR=P.×R_TR为训练集预测评分矩阵公式,||·||L1表示矩阵各元素绝对值之和,||·||L2表示矩阵各元素平方之和。λ1为第一损失函数计算公式中的超参数,λ2为第二损失函数计算公式中的超参数。
本发明无论是第一损失函数计算公式还是第二损失函数计算公式均把矩阵分解参数和维度变换结果融合到了损失计算中。损失函数计算公式的正则项中不加入IA,在对测试集进行评分预测时可以使测试集预测评分矩阵P_TE更加准确。
实施例7
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-6,步骤(5)中所述的评价指标计算公式具体是:
评价指标具体有两个,评价指标MAE更趋向于对整体预测的评价,评价指标RMSE更趋向于对预测评分异常值情况的评价。根据实际应用的需求,选择出评价指标计算公式。
通过测试集预测评分矩阵公式P_TE=P.×R_TE计算得到测试集预测评分矩阵P_TE。
当评价指标选择MAE时,其评价指标计算公式为,
此时选择第一损失函数计算公式进行训练集预测评分矩阵的损失计算。
当评价指标选择RMSE时,其评价指标计算公式为,
此时选择第二损失函数计算公式进行训练集预测评分矩阵的损失计算。
其中TE为测试集评分矩阵,R_TE为测试集评分记录矩阵,MAE和RMSE越小表明测试集预测评分矩阵P_TE越准确。
实施例8
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-7,为了书写方便,将本发明中的矩阵分解参数、网络输出结果、常量矩阵按大小表述为:
A、B、PRECISION、R_TR、R_TE、TR、TE的大小为UserNum×ItemNum,
U、UA、RN的大小为UserNum×FeatureNum,
I、Z、IR、IA、IAN的大小ItemNum×FeatureNum,
UserNum表示用户数目,ItemNum表示物品数目,FeatureNum表示特征数目,UserNum和ItemNum由评分数据集确定。FeatureNum为超参数,通过实验确定。
下面再给出一个更加具体的例子,结合附图对本发明进一步说明。
实施例9
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-8,参见图1,具体实现步骤描述如下:
步骤1,初始化预测评分矩阵分解参数、网络参数:
以下式初始化平均值参数A,其中||·||L1表示矩阵各元素绝对值之和:
以下式初始化偏差参数B,其中[]u表示第u个用户的平均值,[]i表示第i个物品的平均值,其中||·||1,L1表示按行求矩阵各元素绝对值之和,||·||2,L1表示按列求矩阵各元素绝对值之和:
以正态分布的方式初始化用户特征参数U、物品特征参数I、物品历史特征参数Z与具有维度变换中间层的属性信息网络的各层权重和偏置参数。
初始化待输出预测评分矩阵PRECISION为全0矩阵。
初始化最小评价指标为1.5。
初始化迭代次数step为1。
步骤2,针对测试集,从平均绝对误差MAE和均方根误差RMSE中选择一个作为评价指标;根据所选择的评价指标,选择第一损失函数计算公式L1或第二损失函数计算公式L2计算训练集预测评分矩阵P_TR的损失。
步骤3,将初始化参数通过计算函数f计算得到的矩阵作为预测评分矩阵P,并记录此刻的时间t1。
步骤4,根据当前预测评分矩阵P计算训练集预测评分矩阵P_TR损失。
步骤5,为了最小化训练集预测评分矩阵P_TR的损失,采用自适应矩估计对矩阵分解参数和网络参数进行优化更新,令step加1得到新的step。
步骤6,根据优化更新过的参数,计算新的预测评分矩阵P。
步骤7,通过P_TE=P.×R_TE根据当前预测评分矩阵P得到测试集的预测评分矩阵P_TE,计算测试集预测评分矩阵P_TE的评价指标:
如果评价指标小于最小评价指标,则将评价指标把最小评价指标覆盖,从而更新了最小评价指标;并且记录此时的预测评分矩阵P,存储在PRECISION中。
步骤8,判断算法是否满足停止条件,只有step大于20且step被20整除且第step步的评价指标值大于第step-20步的评价指标值时,执行步骤9;否则,返回到步骤4。
步骤9,记录此时的时刻t2,则t=t2-t1为运行时间;输出当前最小评价指标以及其对应的待输出预测评分矩阵PRECISION。
步骤10,将已输出的PRECISION将其转化为对物品的预测评分。
本发明通过将物品被用户所评分历史信息、用户属性信息、物品属性信息输入进具有维度变换中间层的属性信息网络得到各自的维度变换结果,与矩阵分解结合起来,使得预测评分更为准确。
下面结合仿真实验对本发明的效果再做说明。
实施例10
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-9,
仿真条件:
本发明仿真实验的运行环境是:Windows10 64位操作系统,CPU为Intel(R)Core(TM)i5-6500CPU@3.20GHz,内存为8GB,编译环境为Python 3.6。
仿真实验数据与评价指标:
仿真实验中采用的数据为MovieLens-100K,该数据由将用户对物品的评分数据整合为评分数据集,为了验证本发明在物品评分上的预测效果,将评分数据集分别拆分两个子数据集,分别为训练集Train和测试集Test,其信息见如下表1。本例在仿真实验中的物品是指电影;对于具体的实际应用,物品可以是电商网站上的商品,可为用户预测出商品评分。
表1数据集信息表
子数据集 | 用户数量 | 物品数量 | 评分数量 |
Train | 943 | 1682 | 80000 |
Test | 943 | 1682 | 20000 |
评价指标:
仿真实验内容与结果分析:
仿真实验有三个。
仿真实验1是对第一损失函数计算公式的超参数λ1取不同的值计算平均绝对误差MAE,也就是测试集预测评分矩阵的评价指标;对第二损失函数计算公式的超参数λ2取值计算均方根误差RMSE,也就是测试集预测评分矩阵的评价指标。结果参见表2、表3,
表2MAE随超参数λ1变化的情况表
λ1 | 0.001 | 0.005 | 0.01 | 0.025 | 0.05 | 0.075 | 0.1 | 0.5 | 1 |
MAE | 0.6905 | 0.6884 | 0.6887 | 0.6903 | 0.6962 | 0.7053 | 0.7321 | 0.7323 | 0.7327 |
表3RMSE随超参数λ2变化的情况表
λ2 | 0 | 0.2 | 0.4 | 0.6 | 0.8 | 1 | 1.2 | 1.4 | 2 | 5 |
RMSE | 0.9045 | 0.9019 | 0.8997 | 0.8994 | 0.8987 | 0.8978 | 0.8979 | 0.8977 | 0.8968 | 0.8975 |
参见表2、表3的实验数据,经过分析可以得出,本发明的第一损失函数计算公式的超参数λ1最佳取值在0.001~0.025间,第二损失函数计算公式的超参数λ2最佳取值在1~5间。得到这个结果,因为本发明的预测精度更高,可以在超参数相应的区间使用本发明替代其它预测方法。
实施例11
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-9,仿真条件和实验数据与评价指标同实施例10,
仿真实验2是MAE或RMSE随时间随特征数变化情况,特征数为用户特征参数U、物品特征参数I、物品历史特征参数Z的列数大小。结果参见表4、表5,综合表格中数据分析,比如特征数在250时,其时间最短,但评价指标MAE却不是最好,对于本发明,特征数综合最佳取值在1500左右,可以达到评价指标和时间的平衡。
表4MAE和时间随特征数变化的情况表
特征数 | 10 | 50 | 100 | 250 | 500 | 750 | 1000 | 1250 | 1500 | 1750 | 2000 |
MAE | 0.7126 | 0.7056 | 0.7019 | 0.6968 | 0.6947 | 0.6927 | 0.6925 | 0.6902 | 0.6887 | 0.6883 | 0.6892 |
时间(s) | 504.19 | 179.71 | 134.54 | 129.43 | 153.60 | 187.15 | 208.16 | 233.52 | 251.08 | 324.86 | 327.26 |
表5RMSE和时间随特征数变化的情况表
特征数 | 10 | 50 | 100 | 250 | 500 | 750 | 1000 | 1250 | 1500 | 1750 | 2000 |
RMSE | 0.9202 | 0.9073 | 0.9057 | 0.9029 | 0.9018 | 0.8994 | 0.8985 | 0.8989 | 0.8979 | 0.8967 | 0.8967 |
时间(s) | 230.64 | 124.99 | 108.00 | 105.38 | 117.85 | 130.66 | 142.76 | 171.02 | 199.89 | 220.15 | 236.73 |
为了寻找出本发明的最佳特征数,不仅仅需要计算评价指标,还需要计算时间,通过分析出评价指标及时间,找出最佳特征数。
参见图2,图2是本发明MAE随特征数的变化图,横坐标为特征数,即特征参数矩阵的列数大小,纵坐标为MAE。由图2可以看出,MAE随着特征数增大而减少,表明本发明的特征数增大时评分预测越精确。
参见图3,图3是本发明计算MAE的情况下,其时间随特征数的变化图,横坐标为特征数,纵坐标为时间,单位为秒。由图3可以看出,时间随着特征数先增大后减小。当特征数从10开始增大到250时,时间骤降;但特征数从250开始继续增大时直至2000,时间随着特征数的增大单调递增。
参见图4,图4是本发明RMSE随特征数的变化图,横坐标为特征数,纵坐标为RMSE。由图4可以看出,RMSE随着特征数增大而减少,表明本发明的特征数增大时评分预测越精确。
本发明设置了两个评价指标,评价指标MAE更趋向于对整体预测的评价,评价指标RMSE更趋向于对预测评分异常值情况的评价。
图4对比图2,其变化趋势与图2的变化趋势基本一致,也说明本发明的两个评价指标的稳定性。
参见图5,图5是本发明计算RMSE的情况下,其时间随特征数的变化图,横坐标为特征数,纵坐标为时间,单位为秒,由图5可以看出,时间随着特征数先增大后减小。当特征数从10开始增大到250时,时间骤降;但特征数从250开始继续增大时直至2000,时间随着特征数的增大单调递增。对比图3,其变化趋势与图3的变化趋势基本一致,也说明本发明时间变化的稳定性。
在特征数比较小的时候,每次迭代降低的损失小,所以每次迭代的评价指标值的降低量小,达到收敛停止条件需要很长时间,所得到的评价指标值也比较大;随着特征数的增大,每次迭代所降低的损失也增大,每次迭代的评价指标值的降低量也变大,时间也会降低;但当特征数继续增大,导致需要更新的参数中的元素增加,所以时间也会增加。
实施例12
融合属性信息网络和矩阵分解的物品评分预测方法同实施例1-9,仿真条件和实验数据与评价指标同实施例10,
仿真实验3是与本发明与其他预测模型方法的MAE和RMSE的对比,对比结果参见表6。参与对比的模型方法有传统PMF、传统SVD、传统SVD++、IBCF-APICSS和DMF。其中,传统PMF、传统SVD、传统SVD++的特征数分别为100、100、20,由于针对单一元素依次进行训练,它们的特征数在继续增大时其MAE和RMSE会变大。IBCF-APICSS为基于非对称分区信息内容相似性度量的物品协同过滤方法。DMF为深度矩阵分解。本发明的第一损失函数计算公式的超参数λ1设置为0.01,第二损失函数计算公式的超参数λ2设置为1,特征数为1500。
表6本发明与其他预测方法在MAE和RMSE上的对比
传统PMF | 传统SVD | 传统SVD++ | IBCF-APICSS | DMF | 本发明 | |
MAE | 0.7479 | 0.7383 | 0.7224 | 0.715 | 0.702 | 0.6887 |
RMSE | 0.9487 | 0.9358 | 0.9219 | 0.92 | 0.996 | 0.8978 |
将PMF,SVD,SVD++采用矩阵直接表示的方法再与本发明对比,λ1设置为0.01,λ2设置为1,特征数设置为1500,结果参见图6、图7。
图6为本发明不同预测模型方法的MAE对比图,横坐标为迭代次数,纵坐标为MAE,通过对比本发明与其他预测模型方法的评价指标,可以看出,本发明的曲线是最优曲线,本发明的预测评分与真实评分的误差最小,评分精度最高。
图7为本发明不同预测模型方法的RMSE对比图,横坐标为迭代次数,纵坐标为MAE,通过对比本发明与其他预测模型方法的评价指标,可以看出,本发明的曲线是最优曲线,本发明的预测评分与真实评分的误差最小,评分精度最高。
下面对图6、图7做出分析补充解释:不同模型,迭代次数与时间无关系,因为不同模型所更新的参数数量不同,所以不同模型每次迭代所花的时间也就不同;并且不同模型每次迭代降低的损失也不同,所以每次迭代的评价指标值的降低量也不一样。
综上所述,本发明公开的融合属性信息网络和矩阵分解的物品评分预测方法,解决了如何更准确地对物品评分预测的问题。实现步骤包括:(1)构建属性信息网络;(2)采集数据和信息;(3)构建融合分解模型;(4)初始化参数;(5)选择评价指标计算公式和损失函数计算公式;(6)计算预测评分矩阵;(7)计算训练集预测评分矩阵损失;(8)对参数进行优化更新,计算新的预测评分矩阵;(9)计算测试集预测评分矩阵的评价指标;(10)对评价指标进行判断;(11)若满足停止条件,直接输出结果;如果不满足停止条件,返回步骤(7)迭代计算逐渐降低损失,直至满足条件输出结果;(12)输出结果。本发明将用户和物品更多信息经过属性信息网络得到的维度变换结果与矩阵分解结合得到一个新的预测模型,并且针对不同评价指标不再采用单一损失函数,预测评分通过矩阵直接表示,使得对物品评分的预测更为准确,本发明可应用于对网上物品评分进行自动化的预测。
Claims (7)
1.一种融合属性信息网络和矩阵分解的物品评分预测方法,涉及到用户和物品,其特征在于,包括有如下步骤:
(1)构建具有维度变换中间层的属性信息网络:该网络由若干层构成,在底层和最上层之间至少有两层属于输入信息的维度变换层,通过设置该网络的各层权重和偏置的超参数进行输入信息的维度变换,得到输入信息在该网络中的维度变换结果;
(2)采集数据和信息,将参与物品评分预测的信息输入到构建的网络,得到其对应的维度变换结果:采集数据和信息,将用户对物品的评分数据整合为评分数据集,将评分数据集的80%作为训练集,20%作为测试集;信息包含有参与物品评分预测的信息,参与物品评分预测的信息具体是物品被用户所评分的历史信息、用户属性信息、物品属性信息,将上述参与物品评分预测的信息均输入到具有维度变换中间层的属性信息网络中,得到上述输入信息各自在网络中的维度变换结果;
(3)构建预测评分矩阵的分解模型:将输入信息各自在构建网络中的维度变换结果与矩阵分解模型相结合,得到预测评分矩阵的计算函数f;
(4)初始化预测评分矩阵分解参数、网络参数:矩阵分解参数包括平均值参数A、偏差参数B、用户特征参数U、物品特征参数I、物品历史特征参数Z,矩阵分解参数及网络参数均为矩阵;
(4a)以训练集全局平均值对平均值参数A进行初始化,所述的全局平均值为:对于训练集评分矩阵,将训练集评分矩阵中的所有元素进行求和,然后除以训练集的评分数目;
(4b)以用户平均值减去全局平均值得到的差与物品平均值减去全局平均值得到的差的和对偏差参数B进行初始化;
(4c)用户特征参数U、物品特征参数I、物品历史特征参数Z与具有维度变换中间层的属性信息网络的各层权重和偏置的参数,其初始化均服从正态分布;
(4d)初始化待输出预测评分矩阵PRECISION为全0矩阵;
(4e)初始化最小评价指标为1.5;
(4f)初始化迭代次数为1;
(5)选择评价指标计算公式和损失函数计算公式:针对测试集,用平均绝对误差MAE或均方根误差RMSE作为测试集预测评分矩阵P_TE的评价指标,分别对应各自不同的评价指标计算公式;针对训练集,从第一损失函数和第二损失函数中选择一个作为计算训练集预测评分矩阵P_TR的损失函数,若测试集选择平均绝对误差MAE作为评价指标计算公式,则选择第一损失函数作为损失函数计算公式;若测试集选择均方根误差RMSE作为评价指标计算公式,则选择第二损失函数作为损失函数计算公式;
(6)计算预测评分矩阵P:使用已初始化的矩阵分解参数和网络参数通过预测评分矩阵的计算函数f计算得到的矩阵作为预测评分矩阵P,即得到当前预测评分矩阵P;
(7)计算得到训练集预测评分矩阵P_TR损失:根据当前预测评分矩阵P通过训练集预测评分矩阵公式计算得到训练集预测评分矩阵P_TR,再根据训练集预测评分矩阵P_TR结合损失函数计算训练集预测评分矩阵P_TR的损失;
(8)对矩阵分解参数和网络参数进行优化更新:采用自适应矩估计的方法分别对矩阵分解参数和网络参数进行一次优化更新,并迭代次数自增1,得到了一组新的矩阵分解参数和网络参数;根据已优化更新过的矩阵分解参数和网络参数,通过计算函数f计算新的预测评分矩阵P;
(9)计算得到测试集预测评分矩阵P_TE的评价指标:根据当前预测评分矩阵P通过测试集预测评分矩阵公式计算得到测试集预测评分矩阵P_TE,再根据测试集预测评分矩阵P_TE结合评价指标计算公式计算测试集预测评分矩阵P_TE的评价指标;
(10)对测试集预测评分矩阵P_TE的评价指标进行判断:如果该评价指标小于最小评价指标,则用当前评价指标把最小评价指标覆盖,即更新了最小评价指标,并且记录此时的预测评分矩阵P,存储在待输出预测评分矩阵PRECISION中,并执行步骤(11);如果该评价指标大于等于最小评价指标,则不进行最小评价指标的更新,直接执行步骤(11);
(11)判断是否满足停止条件:只有当迭代次数大于20且能够被20整除且每20次迭代的评价指标值有增大趋势时,执行步骤(12),输出对物品的预测评分;否则,返回到步骤(7),循环执行步骤(7)到(11),逐次降低损失,寻找最小评价指标及其对应的待输出预测评分矩阵PRECISION,直到满足停止条件时中断迭代;
(12)输出当前最小评价指标,并将当前最小评价指标对应的待输出预测评分矩阵PRECISION转化为对物品的预测评分再进行输出。
2.根据权利要求1所述的融合属性信息网络和矩阵分解的物品评分预测方法,其特征在于:步骤(1)中所述的构建具有维度变换中间层的属性信息网络,该具有维度变换中间层的属性信息网络,其网络结构所需的层数随输入信息的规模变化,其网络结构是,X是参与物品评分预测的输入信息,也是该网络的输入信息;
以维度变换中间层是两层为例,Y是X经过两层网络进行维度变换的网络输出结果;
Y=Relu(X×W1+B1)×W2+B2
式中,W1、W2是维度变换中间层的各层权重,B1、B2是维度变换中间层的各层偏置,Relu是激活函数。
3.根据权利要求1所述的融合属性信息网络和矩阵分解的物品评分预测方法,其特征在于:步骤(2)中所述的将各类输入信息输入到构建的网络,具体是具有维度变换中间层的属性信息网络,输入信息就是参与物品评分预测的信息具体是物品被用户所评分的历史信息、用户属性信息、物品属性信息;将输入信息输入到构建的属性信息网络后,在构建的网络中得到各信息对应的维度变换结果,包括有如下维度变换结果:
对物品被用户所评分的历史信息R_TRT经过网络进行维度变换得到物品被用户所评分历史信息的维度变换结果IR;
对用户属性信息经过网络进行维度变换得到用户属性信息维度变换结果UA;
对物品属性信息经过网络进行维度变换得到物品属性信息维度变换结果IA。
4.根据权利要求1所述的融合属性信息网络和矩阵分解的物品评分预测方法,其特征在于:步骤(2)中所述的用户属性信息、物品属性信息具体是:
用户属性信息是年龄、性别、职业;
物品属性信息为物品所属的类别,为0、1矩阵,为1的元素表示该物品属于此类别。
5.根据权利要求1所述的融合属性信息网络和矩阵分解的物品评分预测方法,其特征在于步骤(3)中的计算函数f即分解模型,计算公式为:
f=clip(A+B+(U+R_TR×Z./RN+UA)×(I+IR+IA./IAN)T)
clip()令矩阵各元素的下限为1,上限为5;
其中,A为平均值参数,B为偏差参数,U为用户特征参数,I为物品特征参数,Z为物品历史特征参数,这些参数均为矩阵;
TR为训练集的评分矩阵,行表示用户,列表示物品,矩阵的各元素表示用户对物品的评分;
R_TR为训练集的评分记录矩阵,它将训练集评分矩阵TR中有评分记录的置为1,没有评分记录的置为0;
RN为训练集评分记录各行模值矩阵,其每行均为R_TR对应行的模值的开方,因为需要点除,大小与R_TR×Z相同;
IAN为物品属性各行模值矩阵,其每行均为物品属性矩阵对应行的模值的开方,因为需要点除,大小与IA相同。
6.根据权利要求1所述的融合属性信息网络和矩阵分解的物品评分预测方法,其特征在于,步骤(5)中所述的第一损失函数计算公式,其公式具体为:
L1=||P_TR-TR||L1+λ1×(||U||L1+||R_TR×Z./RN||L1+||UA||L1+||I||L1+||IR||L1)
其中P_TR=P.×R_TR为训练集预测评分矩阵公式,||·||L1表示矩阵各元素绝对值之和,损失函数计算公式的正则项中不加入IA;
如果所选择的评价指标计算公式为MAE,则使用第一损失函数计算公式计算训练集预测评分矩阵的损失。
7.根据权利要求1所述的融合属性信息网络和矩阵分解的物品评分预测方法,其特征在于,步骤(5)中所述的第二损失函数计算公式,其公式具体为:
L2=||P_TR-TR||L2+λ2×(||U||L2+||R_TR×Z./RN||L2+||UA||L2+||I||L2+||IR||L2)
其中P_TR=P.×R_TR为训练集预测评分矩阵公式,||·||L2表示矩阵各元素平方之和,损失函数计算公式的正则项中不加入IA;
如果所选择的评价指标计算公式为RMSE,则使用第二损失函数计算公式计算训练集预测评分矩阵的损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640589.6A CN109740924B (zh) | 2018-12-29 | 2018-12-29 | 融合属性信息网络和矩阵分解的物品评分预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811640589.6A CN109740924B (zh) | 2018-12-29 | 2018-12-29 | 融合属性信息网络和矩阵分解的物品评分预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740924A true CN109740924A (zh) | 2019-05-10 |
CN109740924B CN109740924B (zh) | 2022-12-06 |
Family
ID=66362484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811640589.6A Active CN109740924B (zh) | 2018-12-29 | 2018-12-29 | 融合属性信息网络和矩阵分解的物品评分预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740924B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222258A (zh) * | 2019-05-20 | 2019-09-10 | 山东科技大学 | 基于属性映射和自动编码神经网络的特征矩阵初始化方法 |
CN111461784A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 一种基于多模型融合的欺诈行为检测方法 |
CN111612232A (zh) * | 2020-05-13 | 2020-09-01 | 云南电网有限责任公司电力科学研究院 | 基于梯度下降的配电网线路重跳概率预测优化方法和装置 |
CN112529415A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于组合多感受野图神经网络的物品评分方法 |
CN112966155A (zh) * | 2021-03-23 | 2021-06-15 | 西安电子科技大学 | 基于路径相关性的链路预测方法 |
CN113205388A (zh) * | 2021-05-12 | 2021-08-03 | 中国地质大学(武汉) | 一种基于矩阵分解的协同过滤推荐优化算法和装置 |
CN117035692A (zh) * | 2023-09-28 | 2023-11-10 | 江苏龙虎网信息科技股份有限公司 | 一种基于多维度数据的智能评议管理系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN108280217A (zh) * | 2018-02-06 | 2018-07-13 | 南京理工大学 | 一种基于差分隐私保护的矩阵分解推荐方法 |
-
2018
- 2018-12-29 CN CN201811640589.6A patent/CN109740924B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280217A (zh) * | 2018-02-06 | 2018-07-13 | 南京理工大学 | 一种基于差分隐私保护的矩阵分解推荐方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222258A (zh) * | 2019-05-20 | 2019-09-10 | 山东科技大学 | 基于属性映射和自动编码神经网络的特征矩阵初始化方法 |
CN111461784A (zh) * | 2020-03-31 | 2020-07-28 | 华南理工大学 | 一种基于多模型融合的欺诈行为检测方法 |
CN111612232A (zh) * | 2020-05-13 | 2020-09-01 | 云南电网有限责任公司电力科学研究院 | 基于梯度下降的配电网线路重跳概率预测优化方法和装置 |
CN111612232B (zh) * | 2020-05-13 | 2023-08-18 | 云南电网有限责任公司电力科学研究院 | 基于梯度下降的配电网线路重跳概率预测优化方法和装置 |
CN112529415A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于组合多感受野图神经网络的物品评分方法 |
CN112529415B (zh) * | 2020-12-11 | 2023-05-30 | 西安电子科技大学 | 基于组合多感受野图神经网络的物品评分方法 |
CN112966155A (zh) * | 2021-03-23 | 2021-06-15 | 西安电子科技大学 | 基于路径相关性的链路预测方法 |
CN112966155B (zh) * | 2021-03-23 | 2023-03-21 | 西安电子科技大学 | 基于路径相关性的链路预测方法 |
CN113205388A (zh) * | 2021-05-12 | 2021-08-03 | 中国地质大学(武汉) | 一种基于矩阵分解的协同过滤推荐优化算法和装置 |
CN117035692A (zh) * | 2023-09-28 | 2023-11-10 | 江苏龙虎网信息科技股份有限公司 | 一种基于多维度数据的智能评议管理系统及方法 |
CN117035692B (zh) * | 2023-09-28 | 2023-12-08 | 江苏龙虎网信息科技股份有限公司 | 一种基于多维度数据的智能评议管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109740924B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740924A (zh) | 融合属性信息网络和矩阵分解的物品评分预测方法 | |
CN109241424B (zh) | 一种推荐方法 | |
CN109299380B (zh) | 在线教育平台中基于多维特征的习题个性化推荐方法 | |
CN106503028B (zh) | 推荐方法和系统 | |
CN111582509B (zh) | 一种基于知识图谱表示学习和神经网络的协同推荐方法 | |
CN103399858A (zh) | 基于信任的社会化协同过滤推荐方法 | |
CN101694652A (zh) | 一种基于极速神经网络的网络资源个性化推荐方法 | |
CN113592609B (zh) | 一种利用时间因素的个性化服饰搭配推荐方法与系统 | |
Shen et al. | Affective product form design using fuzzy Kansei engineering and creativity | |
CN113918833B (zh) | 通过社交网络关系的图卷积协同过滤实现的产品推荐方法 | |
CN115917577A (zh) | 使用动态属性建模进行下一个篮子推荐的系统和方法 | |
CN110874439A (zh) | 一种基于评论信息的推荐方法 | |
Sánchez et al. | Efficient algorithms for a robust modularity-driven clustering of attributed graphs | |
CN113918832A (zh) | 基于社交关系的图卷积协同过滤推荐系统 | |
CN110334278A (zh) | 一种基于改进深度学习的web服务推荐方法 | |
Wang et al. | Learning outfit compatibility with graph attention network and visual-semantic embedding | |
Wang et al. | An Extreme Learning Machine‐Based Community Detection Algorithm in Complex Networks | |
CN102129462A (zh) | 一种通过聚合对协同过滤推荐系统进行优化的方法 | |
CN107291894A (zh) | 一种融合相似性和共同评分项数量的概率矩阵分解模型 | |
Zhou et al. | IMGC: interactive multiple graph clustering with constrained Laplacian rank | |
Lian et al. | Affective‐Blue Design Methodology for Product Design Based on Integral Kansei Engineering | |
Xue et al. | Intelligent mining on purchase information and recommendation system for e-commerce | |
Sopranzetti | The Italian districts in the global value chains | |
CN115438871A (zh) | 一种融合偏好消除流行度偏差的冰雪景点推荐方法及系统 | |
Zhao et al. | Exploiting homophily-based implicit social network to improve recommendation performance |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |