CN110413878B - 基于自适应弹性网络的用户-商品偏好的预测装置和方法 - Google Patents

基于自适应弹性网络的用户-商品偏好的预测装置和方法 Download PDF

Info

Publication number
CN110413878B
CN110413878B CN201910598113.9A CN201910598113A CN110413878B CN 110413878 B CN110413878 B CN 110413878B CN 201910598113 A CN201910598113 A CN 201910598113A CN 110413878 B CN110413878 B CN 110413878B
Authority
CN
China
Prior art keywords
user
commodity
prediction
hidden feature
data
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.)
Active
Application number
CN201910598113.9A
Other languages
English (en)
Other versions
CN110413878A (zh
Inventor
罗辛
秦雯
冯锦刚
廖殷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuwu Haitao Shanghai Technology Co ltd
Original Assignee
Wuwu Haitao Shanghai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuwu Haitao Shanghai Technology Co ltd filed Critical Wuwu Haitao Shanghai Technology Co ltd
Priority to CN201910598113.9A priority Critical patent/CN110413878B/zh
Publication of CN110413878A publication Critical patent/CN110413878A/zh
Application granted granted Critical
Publication of CN110413878B publication Critical patent/CN110413878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自适应弹性网络的用户‑商品偏好的预测装置和方法，该预测装置包括数据预处理模块、存储模块、预测数据生成模块和数据输出模块；还包括参数控制模块，配置为用于判断控制参数是否满足基于自适应弹性网络的用户‑商品偏好的预测模型的构造和更新条件；自适应参数控制模块，配置为根据用户‑商品评分数据和控制参数构造所述预测模型并通知所述预测数据生成模块对所述预测模型进行数据训练。本发明提供的预测装置和方法，通过弹性网络对用户特性进行限制，增加了模型的稀疏性，更好体现用户的社区关系，并且通过弹性网络对模型的高效限制，提高了模型的预测精度和计算效率，可广泛用于提供个性化服务的电子商务平台。

Description

基于自适应弹性网络的用户-商品偏好的预测装置和方法
技术领域
本发明涉及计算机数据处理技术领域，特别地涉及一种基于自适应弹性网络的用户-商品偏好的预测装置和方法。
背景技术
在家庭金融平台中，家庭用户数量巨大并且商品(例如，家庭金融产品)种类十分丰富，用户难以在众多的商品中选择出最适合自己家庭的金融产品。因此，可以通过用户对商品的评分形成庞大的用户-商品评分矩阵，并利用评分高低来预测用户对商品的青睐程度。一般而言，用户-商品评分矩阵是极为稀疏的高维度矩阵，因为商品种类繁多，每个用户不可能对所有的商品一一评分。
根据在电子商务平台的历史评分，我们可以了解和分析用户对商品的偏好规律，在此基础上建立有效的用户-商品偏好的预测模型。并通过用户对商品评分的仿真环境来模拟真实环境，从而为在家庭金融商品的营销策略提供重要的科学依据。
目前，已经有很多关于用户-商品偏好的预测方法。但是其方法都是基于L2正则化的隐特征预测模型。仅用L2来对目标函数进行限制，这使模型的预测精度有所损失，如果不能很好地契合用户的需求，那么将不能为用户提供高质量的金融个性化服务。由于金融行业的特殊性，对金融产品偏好预测的精确性要求较高。因此，上述方法在真实的家庭金融相关的电子商务系统中存在很大弊端。因为在对一些数据处理时，精度有较大的损失，因此仅基于L2正则化对用户特征进行限制很难高精度的预测出用户的偏好特性，不能实现更好的服务推荐。即：(1)在模型构建时，隐特征空间对每个用户的特性进行抽取和表达的过程中，由于每个用户的偏好各异，仅用L2来限制用户特性无法准确表达每个用户所对应产品关系趋势，因此需要对用户特性进行更加科学和严格的限制；(2)仅用L2来限制目标函数，将用户的特性映射到特征空间有较大的误差，使得在隐特征空间中用户特性和一些非相关的数据簇间存在了相关的联系，这样在建模的整个过程中增加了很多不定因素和噪声，大大降低了模型的预测性能。
发明内容
本发明针对现有技术中存在的上述问题，提供一种自适应弹性网络的用户-家庭金融产品偏好的预测装置和方法，能够根据用户-商品的评分矩阵实现：(1)通过弹性网络对用户特性进行限制，增加了模型的稀疏性，更好体现用户的社区关系；(2)通过弹性网络对模型的高效限制，提高了模型的预测精度；(3)通过弹性网络模型的限制，提高模型的计算效率。
为了解决上述的技术问题，根据本发明的第一方面，提供一种基于自适应弹性网络的用户-商品偏好的预测装置，该装置包括：
数据预处理模块，从服务器获取用户-商品评分数据，将采集的数据处理成可直接使用的数据并存入数据存储模块；
数据存储模块，用于存储预处理过的输入数据、用户和家庭金融产品的隐特征矩阵、控制模型的参数等；
参数控制模块，用于判断决策参数是否满足基于自适应弹性网络的用户-家庭金融产品偏好的预测模型的构造和更新条件；
自适应参数控制模块，根据用户-商品评分数据和模型控制参数构造基于自适应弹性网络的用户-家庭金融产品偏好的预测模型并通知预测数据生成模块对相应的模型进行数据训练；
预测数据生成模块，预测用户-商品未知评分，将生成的评分数据存入数据存储模块；
数据输出模块，输出用户-商品未知评分预测数据、用户和商品的隐特征。
进一步，所述参数控制模块包括初始化单元和参数控制单元，所述初始化单元用于初始化基于自适应弹性网络的用户-家庭金融产品偏好的预测过程中涉及的相关参数；所述参数控制单元结合初始化数据判断决策参数是否满足基于自适应弹性网络的用户-家庭金融产品偏好的预测模型的构造和更新条件。
根据本发明所述的一种基于自适应弹性网络的用户-家庭金融产品偏好预测装置的优选方案，所述数据预处理模块具体包括：
在采集的数据中，用户集合记为U，商品集合记为I，建立一个|U|行、|I|列的矩阵作为用户-商品评分矩阵R，将评分矩阵R存入数据存储模块。使用规约矩阵因式分解对R进行分解，分别得到用户隐特征矩阵M，和商品隐特征矩阵N。M是一个|U|行，d列的矩阵，M中的每一个行向量对应一个用户，是该用户的隐特征向量；N是一个|I|行，d列的矩阵，N中的每一个行向量对应于一个商品，是该商品的隐特征向量；d为用户隐含特征空间和商品隐含特征空间的维数。同时将用户和商品的特征矩阵M和N存入数据存储模块。
根据本发明所述的一种基于自适应弹性网络的用户-家庭金融产品偏好预测装置的优选方案，所述参数控制模块包括初始化单元和参数控制单元。
初始化单元配置为初始化用户和商品的隐特征矩阵M和N；初始化隐特征空间d维；初始化弹性网络自适应控制因子β；初始化正则化因子λ1和λ2；初始化最大迭代轮数T；初始化训练过程中迭代轮数控制变量a；初始化收敛终止阈值s；其中d决定了每个隐特征矩阵的特征空间维数，初始化为正整数；隐特征矩阵M和N中：M为|U|行d列的隐特征矩阵、N为|I|行d列的隐特征矩阵，分别使用随机较小的正数进行初始化；最大训练迭代轮数T是控制训练次数上限的变量，初始化为较大的正整数；迭代轮数控制变量a初始化为0；收敛终止阈值s是判断训练是否结束的参数，用极小的正数初始化。正则化因子λ1和λ2分别是衡量L1正则化项和L2正则化项对模型的限制效果，初始化为较小的正数。弹性网络自适应控制因子β，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高，初始化为较小正数。
参数控制单元配置为从存储模块中获取基于自适应弹性网络的用户-家庭金融产品偏好的预测模型控制参数，用于判断参数是否满足基于自适应弹性网络的用户-家庭金融产品偏好的预测模型的构造和更新条件。
根据本发明所述的一种基于自适应弹性网络的用户-家庭金融产品偏好预测装置的优选方案，结合初始化相关参数构造基于自适应弹性网络的用户-商品偏好的预测模型，具体为：
根据用户-商品评分矩阵R中的已知数据集合A，构造目标函数
Figure BDA0002118279870000041
公式如下：
Figure BDA0002118279870000042
其中R(A)表示用户-金融产品评分矩阵R中用户对金融产品已知评分数据集合；ru,i表示的含义为用户u和金融产品i之间的实体关系即为用户u对商品i的评分；
Figure BDA0002118279870000051
表示已知评分数据集合A中用户u对商品i的评分；mu′表示用户隐特征矩阵M中第u个用户对应的隐特征；ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征。
为了增强模型的泛化性能并且提高预测精度，通常在
Figure BDA0002118279870000052
中加入L1和L2正则化项同时对目标函数进行限制，利用弹性网络对目标函数进行自适应的参数控制可得到：
Figure BDA0002118279870000053
其中λ1和λ2是弹性网络控制参数，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
根据本发明所述的一种基于自适应弹性网络的用户-家庭金融产品偏好预测装置的优选方案，结合自适应参数控制模块构造的预测模型，预测数据生成，具体为：
调用自适应弹性网络参数控制模块后，通过基于自适应弹性网络的用户-商品偏好的预测模型生成用户-商品评分预测数据，使用随机梯度下降法在所述累积误差
Figure BDA0002118279870000054
上对矩阵M和N进行训练。即，对于每一个已知用户-商品评分数据ru,i，第一步首先通过随机梯度下降算法，使得在一轮训练过程中，对于mu,k和ni,k，使用其对应于
Figure BDA0002118279870000061
梯度的相反方向作为学习方向，对其进行局部更新，从而以最快的速度逼近局部最优值,可得其更新公式为：
Figure BDA0002118279870000062
其中的η表示学习速率；
Figure BDA0002118279870000063
和
Figure BDA0002118279870000064
分别表示元素mu,k和ni,k上求取的梯度；M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值，作为整个更新计算过程的中间值。
第二步，由于弹性网络中L1正则化项不可微的原因，因此在第二步中需通过软阈值的优化方法，通过对梯度下降算法求解对应参数的边界值来进行优化求解可得隐特征的更新公式，因此有：
M_temp＝mu,k+η(ru,i-mu′·ni′)ni,k
Figure BDA0002118279870000065
N_temp＝ni,k+η(ru,i-mu′·ni′)mu,k
Figure BDA0002118279870000071
其中M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值，作为整个更新计算过程的中间值。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
根据本发明所述的一种基于自适应弹性网络的用户-家庭金融产品偏好预测装置的优选方案，所述输出模块包括输出隐特征单元和预测未知评分单元。
具体可包括：根据评分矩阵获得用户对应的隐含特征矩阵M和商品隐特征矩阵N，调用用户隐特征矩阵和商品隐含特征矩阵，分别计算这两组向量的内积，根据弹性网络均衡因子进行加权累加获得评分的预测数据。
根据本发明的第二方面，提供一种基于自适应弹性网络的用户-家庭金融产品偏好的预测方法，包括如下步骤：
S1：服务器采集用户-商品评分数据，发送给基于自适应弹性网络的用户-商品偏好预测装置。用户-商品评分数据是指，通过用户在电商平台上的购物，通过购物后对商品实际的甄别和使用后对商品的真实的评分数据。采用一个数组来表示用户和商品的评分关系，矩阵中元素所在行代表用户号，元素所在列代表商品号，根据服务器采集用户对商品的评分数据，建立用户-商品评分矩阵，对矩阵中每一个矩阵元素，元素所在行代表用户号，元素所在列代表商品号。
S2：基于自适应弹性网络的用户-家庭金融产品偏好预测装置根据所述用户-商品偏好预测模型中的控制参数进行更新。
S3：根据S2中的控制参数判定当前是否满足自适应弹性网络的用户-家庭金融产品偏好预测模型的更新条件。
S4：使用规约矩阵因式分解，对用户-商品评分矩阵进行分解，构造由用户隐特征矩阵和商品隐特征矩阵组成的用户-商品评分模型。
S5：判断弹性网络平衡控制参数是否为非法的取值。
S6：根据对用户和商品的隐特征的更新，获得在模型达到收敛时的隐特征矩阵。
S7：通过矩阵分解方法对得到的隐特征矩阵用于对用户-商品评分矩阵中缺失值的预测。
根据本发明所述的一种自适应弹性网络的用户-家庭金融产品偏好预测方法的优选方案，步骤S2用户-商品偏好预测模型中的相关参数。包括：
a.已知评分数据ru,i，其表示的含义为用户u和商品i之间的实体关系即为用户u和商品i的评分；
b.弹性网络控制参数λ1,衡量L1正则化项对模型的限制效果；弹性网络控制参数λ2,衡量L2正则化项对模型的限制效果；
c.弹性网络自适应控制因子β，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高；
d.用户u和商品i对应的隐特征空间的隐特征向量mu’和ni’，在对其实体关系的预测过程中，对对应的隐特征向量进行相应的更新。
对mu’的更新方法为，将隐特征向量mu’分割成与隐特征维度d相同的d个单元素，以单元素的形式进行更新对应的隐特征，将更新后的隐特征送入存储单元保存。
对ni’的更新方法为，将隐特征向量ni’分割成与隐特征维度d相同的d个单元素，以单元素的形式进行更新对应的隐特征，将更新后的隐特征送入存储单元保存。
根据本发明所述的一种自适应弹性网络的用户-家庭金融产品偏好预测方法的优选方案，步骤S3控制参数判定当前是否满足自适应弹性网络的用户-家庭金融产品偏好预测模型的更新条件。步骤S3包括：
S31,判断当前参数更新是否满足更新条件，即：判断本次的预测精度和上一次的预测精度相差是否已经小于阈值s，如果大于阈值s，则满足更新条件；如果小于阈值s，则不满足更新条件，训练结束。
S32,判断训练过程中迭代轮数控制变量a是否大于训练迭代轮数上限T：若小于训练迭代轮数上限T，则满足更新条件；若超过训练迭代轮数上限T，则不满足更新条件，训练结束。
上述步骤S31和S32在执行时无先后顺序。例如，首先执行步骤S31，如果在执行步骤S31后满足结束训练的条件，那么模型训练结束，步骤S32无需再执行；如果在执行步骤S31后不满足结束训练的条件，则执行步骤S32。
根据本发明所述的一种自适应弹性网络的用户-家庭金融产品偏好预测方法的优选方案，步骤S4构造由用户隐特征矩阵和商品隐特征矩阵组成的全局用户-商品评分模型。包括：
S41,根据用户-商品评分矩阵R中的已知数据集合A，构造目标函数
Figure BDA0002118279870000091
公式如下：
Figure BDA0002118279870000101
其中ru,i表示用户-金融产品评分矩阵R中用户对金融产品已知评分数据集合；ru,i表示的含义为用户u和金融产品i之间的实体关系即为用户u对商品i的评分；
Figure BDA0002118279870000102
表示已知评分数据集合A中用户u对商品i的评分；mu′表示用户隐特征矩阵M中第u个用户对应的隐特征；ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征。
为了增强模型的泛化性能并且提高预测精度，通常在
Figure BDA0002118279870000103
中加入L1和L2正则化项同时对目标函数进行限制，利用弹性网络对目标函数进行自适应的参数控制可得到：
Figure BDA0002118279870000104
其中λ1和λ2是弹性网络控制参数，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
S42,第一步首先通过随机梯度下降算法，使得在一轮训练过程中，对于mu,k和ni,k，使用其对应于
Figure BDA0002118279870000105
梯度的相反方向作为学习方向，对其进行局部更新，从而以最快的速度逼近局部最优值,可得其更新公式为：
Figure BDA0002118279870000111
其中的η表示学习速率；
Figure BDA0002118279870000112
和
Figure BDA0002118279870000113
分别表示元素mu,k和ni,k上求取的梯度；M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值,作为整个更新计算过程的中间值。
S43,在第二步中，由于弹性网络中L1正则化项不可微的原因，因此在第二步中需通过软阈值的优化方法，通过对梯度下降算法求解对应参数的边界值来进行优化求解可得隐特征的更新公式，因此有：
M_temp＝mu,k+η(ru,i-mu′·ni′)ni,k
Figure BDA0002118279870000114
N_temp＝ni,k+η(ru,i-mu′·ni′)mu,k
Figure BDA0002118279870000115
其中M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值,作为整个更新计算过程的中间值。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
根据本发明所述的一种自适应弹性网络的用户-家庭金融产品偏好预测方法的优选方案，步骤S7通过矩阵分解方法对得到的隐特征矩阵用于对用户-商品评分矩阵中缺失值的预测。具体包括：
S71，从隐特征输出单元获取用户u和商品i对应的隐特征。
S72，用户u对应隐特征矩阵M中的向量和商品i对应隐特征矩阵N中的向量内积作为用户u对商品i的评分预测值
Figure BDA0002118279870000121
即有
Figure BDA0002118279870000122
本发明所述的一种基于自适应弹性网络的用户-家庭金融产品偏好的预测装置和方法，旨在利用规约矩阵因式分解方法，以较小的计算复杂度，分别对已知用户-商品评分数据的内在统计规律进行分析，从而提供自适应的用户-商品评分预测结果，为用户提供个性化、安全、可靠、严谨的家庭金融服务；本发明还实现了：(1)通过弹性网络对用户特性进行限制，增加了模型的稀疏性，更好体现用户的社区关系；(2)通过弹性网络对模型的高效限制，提高了模型的预测精度；(3)通过弹性网络模型的限制，提高模型的计算效率。
附图说明
图1为本发明基于自适应弹性网络的用户-家庭金融产品偏好的预测装置。
图2为本发明基于自适应弹性网络的用户-家庭金融产品偏好的预测更新过程流程示意图。
图3为本发明通过隐特征矩阵M和隐特征矩阵N来对用户u对商品i的评分值进行预测的过程示意图。
图4为应用本发明前和应用本发明后的模型收敛执行时间对比图。
图5为应用本发明前后数据分析过程中MAE对比图，MAE是预测误差的衡量尺度，MAE越小精度越高。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1：
参见图1，示出了本发明的基于自适应弹性网络的用户-商品偏好的预测装置，该装置包括：
数据预处理模块510，该模块510能够从服务器获取用户-商品评分数据，并且将采集的数据处理成模型训练中可直接使用的数据并存入数据存储模块520，同时通知参数控制模块530对相应的基于自适应弹性网络的用户-商品偏好的预测模型的控制参数进行更新。
数据存储模块520，用于存储预处理过的输入数据、用户和家庭金融产品的隐特征矩阵、控制模型的参数等数据。
参数控制模块530，用于判断决策参数是否满足基于自适应弹性网络的用户-商品偏好的预测模型的构造和更新条件。
所述参数控制模块530包括初始化单元531和参数控制单元532。
初始化单元531用于初始化基于自适应弹性网络的用户-商品偏好的预测过程中涉及的相关参数。
参数控制单元532结合初始化数据判断决策参数是否满足基于自适应弹性网络的用户-商品偏好的预测模型的构造和更新条件。
自适应参数控制模块550，该模块550根据用户-商品评分数据和模型控制参数构造基于自适应弹性网络的用户-商品偏好的预测模型并通知预测数据生成模块540对相应的模型进行数据训练。
预测数据生成模块540，预测用户-商品未知评分，将生成的评分数据存入数据存储模块。
数据输出模块560，输出用户-商品未知评分预测数据、用户和商品的隐特征。
在具体实施例中，所述数据预处理模块510具体包括：
采集金融系统内的用户和商品，将系统内的用户集合记为U，商品集合记为I，建立一个|U|行、|I|列的矩阵作为用户-商品评分矩阵R，将评分矩阵R存入数据存储单元。使用规约矩阵因式分解对R进行分解，分别得到用户隐特征矩阵M，和商品隐特征矩阵N。M是一个|U|行、d列的矩阵，M中的每一个行向量对应一个用户，是该用户的隐含特征向量；N是一个|I|行、d列的矩阵，N中的每一个行向量对应于一个商品，是该商品的隐特征向量；d为用户隐含特征空间和商品隐含特征空间的维数。同时将用户和商品的隐特征矩阵M和N存入数据存储单元。
在具体实施例中，所述参数控制模块530包括初始化单元531和参数控制单元532。
初始化单元531配置为初始化用户和商品的隐特征矩阵M和N；初始化隐特征空间d维；初始化弹性网络自适应控制因子β；初始化正则化因子λ1和λ2；初始化最大迭代轮数T；初始化训练过程中迭代轮数控制变量a；初始化收敛终止阈值s；
其中d决定了每个隐特征矩阵的特征空间维数，初始化为正整数；隐特征矩阵M和N中：M为|U|行d列的隐特征矩阵、N为|I|行d列的隐特征矩阵，分别使用随机较小的正数进行初始化；最大训练迭代轮数T是控制训练次数上限的变量，初始化为较大的正整数；迭代轮数控制变量a初始化为0；收敛终止阈值s是判断训练是否结束的参数，用极小的正数初始化。正则化因子λ1和λ2分别是衡量L1正则化项和L2正则化项对模型的限制效果，初始化为较小的正数。弹性网络自适应控制因子β，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高，初始化为较小正数。
参数控制单元532配置为从数据存储模块520中获取基于自适应弹性网络的用户-商品偏好的预测模型控制参数，用于判断所述控制参数是否满足基于自适应弹性网络的用户-商品偏好的预测模型的更新条件。
在具体实施例中，用于构造基于自适应弹性网络的用户-家庭金融产品偏好的预测装置，具体为：
根据用户-商品评分矩阵R中的已知数据集合A，构造目标函数
Figure BDA0002118279870000151
公式如下：
Figure BDA0002118279870000152
其中R(A)表示用户-金融产品评分矩阵R中用户对金融产品已知评分数据集合；ru,i表示的含义为用户u和金融产品i之间的实体关系即为用户u对商品i的评分；
Figure BDA0002118279870000161
表示已知评分数据集合A中用户u对商品i的评分；mu′表示用户隐特征矩阵M中第u个用户对应的隐特征；ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征。
为了增强模型的泛化性能并且提高预测精度，通常在
Figure BDA0002118279870000162
中加入L1和L2正则化项同时对目标函数进行限制，利用弹性网络对目标函数进行自适应的参数控制可得到：
Figure BDA0002118279870000163
其中λ1和λ2是弹性网络控制参数，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
在具体实施例中，结合自适应参数控制模块构造的预测模型，预测数据生成，具体为：
调用自适应弹性网络参数控制模块550后，训练预测模型的更新评分数据，通过基于自适应弹性网络的用户-家庭金融产品偏好的预测模型生成用户-商品评分预测数据，使用随机梯度下降法在所述累积误差
Figure BDA0002118279870000164
上对矩阵M和N进行训练，即对于每一个已知用户-商品评分数据ru,i，第一步首先通过随机梯度下降算法，使得在一轮训练过程中，对于mu,k和ni,k，使用其对应于
Figure BDA0002118279870000165
梯度的相反方向作为学习方向，对其进行局部更新，从而以最快的速度逼近局部最优值,可得其更新公式为：
Figure BDA0002118279870000171
其中的η表示学习速率，一般取值为区间[0.001,0.02]内；
Figure BDA0002118279870000172
和
Figure BDA0002118279870000173
分别表示元素mu,k和ni,k上求取的梯度；M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值，作为整个更新计算过程的中间值。
第二步，由于弹性网络中L1正则化项不可微的原因，因此在第二部中需通过软阈值的优化方法，通过对梯度下降算法求解对应参数的边界值来进行优化求解可得隐特征的更新公式，因此有：
M_temp＝mu,k+η(ru,i-mu′·ni′)ni,k
Figure BDA0002118279870000174
N_temp＝ni,k+η(ru,i-mu′·ni′)mu,k
Figure BDA0002118279870000181
其中M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值，作为整个更新计算过程的中间值。λ1和λ2是弹性网络控制参数，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
在具体实施例中，所述输出模块包括输出隐特征单元和预测未知评分单元单元。
具体可包括：计算单元调用规约矩阵因式分解，根据评分矩阵获得用户隐特征矩阵M和商品隐特征矩阵N，调用用户隐特征矩阵M和商品隐含特征矩阵N，分别计算这两组向量的内积，根据弹性网络均衡因子进行加权累加获得评分的预测数据。
实施例2：
参见图2，图2示出本发明的基于自适应弹性网络的用户-商品偏好预测的方法，该预测方法包括以下步骤：
S1：服务器采集用户-商品评分数据，发送给基于自适应弹性网络的用户-商品偏好的预测装置。用户-商品评分数据是指，用户在电商平台上的购物，通过购物后对商品实际的甄别和使用后对商品的真实的评分数据。根据服务器采集用户对商品的评分数据，建立用户-商品评分矩阵，对于矩阵中每一个矩阵元素，元素所在行代表用户号，元素所在列代表商品号。
S2：基于自适应弹性网络的用户-家庭金融产品偏好预测装置对所述用户-商品偏好预测模型中的控制参数进行更新。
S3：判定所述控制参数当前是否满足自适应弹性网络的用户-商品偏好预测模型的更新条件，如果满足更新条件则执行步骤S4，如果不满足更新条件则执行步骤S5。
S4：使用规约矩阵因式分解，对用户-商品评分矩阵进行分解，构造由用户隐特征矩阵和商品隐特征矩阵组成的全局用户-商品评分模型，完成该步骤后执行步骤S2。
S5：判断基于自适应弹性网络用户-商品偏好预测模型的平衡控制参数是否为非法的取值，通常规定评分控制因子的取值范围为(0,1)，如果平衡控制参数取值合法则执行步骤S6，如果不合法则执行步骤S2。
S6：根据对用户和商品的隐特征的更新，获得在模型达到收敛时的隐特征矩阵。
S7：通过矩阵分解方法对得到的隐特征矩阵用于对用户-商品评分矩阵中缺失值的预测。
在具体实施例中，步骤S2用户-商品偏好预测模型中的相关参数，包括：
a.弹性网络控制参数λ1，用于衡量L1正则化项对模型的限制效果；弹性网络控制参数λ2，衡量L2正则化项对模型的限制效果；
b.弹性网络自适应控制因子β，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高；
d.用户u和商品i对应的隐特征空间的隐特征向量mu’和ni’，在对其实体关系的预测过程中，对对应的隐特征向量进行相应的更新。
对mu’的更新方法为，将隐特征向量mu’分割成与隐特征空间维度d相同的d个单元素，以单元素的形式更新对应的隐特征，将更新后的隐特征送入数据存储单元保存。
对ni’的更新方法为，将隐特征向量ni’分割成与隐特征空间维度d相同的d个单元素，以单元素的形式更新对应的隐特征，将更新后的隐特征送入数据存储单元保存。
在具体实施例中，步骤S3判定控制参数当前是否满足自适应弹性网络的用户-商品偏好预测模型的更新条件，包括以下步骤：
S31,用于判断当前参数更新是否满足更新条件，即：本次的预测精度和上一次的预测精度相差是否已经小于阈值s，阈值s的取值例如为1×10-5；如果大于阈值s，则满足更新条件；如果小于阈值s，则不满足更新条件，训练结束。
S32,用于判断训练过程中迭代轮数控制变量a是否大于训练迭代轮数上限T，最大训练迭代轮数T的取值例如为1000，若超过训练迭代轮数上限T，则训练结束。
上述步骤S31和S32在执行时无先后顺序。例如，首先执行步骤S31，如果在执行步骤S31后满足结束训练的条件，那么模型训练结束，步骤S32无需再执行；如果在执行步骤S31后不满足结束训练的条件，则执行步骤S32。
在具体实施例中，步骤S4构造由用户隐特征矩阵和商品隐特征矩阵组成的全局用户-商品评分模型。包括：
S41,根据用户-商品评分矩阵R中的已知数据集合A，构造目标函数
Figure BDA0002118279870000211
公式如下：
Figure BDA0002118279870000212
其中R(A)表示用户-金融产品评分矩阵R中用户对金融产品已知评分数据集合；ru,i表示的含义为用户u和金融产品i之间的实体关系即为用户u对商品i的评分；
Figure BDA0002118279870000213
表示已知评分数据集合A中用户u对商品i的评分；mu′表示用户隐特征矩阵M中第u个用户对应的隐特征；ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征。
为了增强模型的泛化性能并且提高预测精度，通常在
Figure BDA0002118279870000214
中加入L1和L2正则化项同时对目标函数进行限制，利用弹性网络对目标函数进行自适应的参数控制可得到：
Figure BDA0002118279870000215
其中λ1和λ2是弹性网络控制参数，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
S42,第一步首先通过随机梯度下降算法，使得在一轮训练过程中，对于mu,k和ni,k，使用其对应于
Figure BDA0002118279870000216
梯度的相反方向作为学习方向，对其进行局部更新，从而以最快的速度逼近局部最优值,可得其更新公式为：
Figure BDA0002118279870000221
其中的η表示学习速率，一般取值为区间[0.001,0.02]内；
Figure BDA0002118279870000222
和
Figure BDA0002118279870000223
分别表示元素mu,k和ni,k上求取的梯度；M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值，作为整个更新计算过程的中间值。
S43,在第二步中，由于弹性网络中L1正则化项不可微的原因，因此在第二步中需通过软阈值的优化方法，通过对梯度下降算法求解对应参数的边界值来进行优化求解可得隐特征的更新公式，因此有：
M_temp＝mu,k+η(ru,i-mu′·ni′)ni,k
Figure BDA0002118279870000224
N_temp＝ni,k+η(ru,i-mu′·ni′)mu,k
Figure BDA0002118279870000231
其中M_temp和N_temp分别表示对应元素在第一步计算中，利用随机梯度下降方法求解的值，作为整个更新计算过程的中间值。λ1和λ2是弹性网络控制参数，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果。β表示弹性网络自适应控制因子，为了自适应的控制正则化系数对模型的限制效果，使得模型对未知数据的预测精度达到最高。
在具体实施例中，步骤S7通过矩阵分解方法对得到的隐特征矩阵用于对用户-商品评分矩阵中缺失值的预测。具体包括：
S71，从隐特征输出单元获取用户u和商品i对应的隐特征。
S72，用户u对应隐特征矩阵M中的向量和商品i对应隐特征矩阵N中的向量内积作为用户u对商品i的评分预测值
Figure BDA0002118279870000232
即有
Figure BDA0002118279870000233
其中，图3为用户u对应隐特征矩阵M中的向量和商品i对应隐特征矩阵N中的向量，它们的内积作为用户u对商品i的评分预测示意图。
图4为应用本发明的预测装置和方法前后，预测模型的数据分析时间对比图。由图4可以得出，应用了本发明的预测装置和方法后，针对用户-商品关系数据，模型的执行时间远少于不应用本发明的预测装置和方法的情况。具体地，由图4可以得到，运用了本发明的预测装置和方法后，未使用本发明的预测装置和方法的模型的执行时间约为使用本发明的预测装置和方法的4倍。即运用本发明的预测装置和方法后，模型的执行时间比原来提高了4倍之多，大大提高了模型的运行效率。
图5为应用本发明的预测装置和方法前后数据分析过程中MAE对比图，MAE是预测误差的衡量尺度，MAE越小精度越高。由图5可以得出，应用本发明的预测装置和方法后大大提高了模型在金融产品选用倾向预测中的精度。在实际应用中，可以更好的为用户提供安全、可靠、有实际保证且符合用户个性化需求的商品。
通过以上预测方法与过程，可以提高实体间关系的预测精度，对商品的推销和用户的体验具有重要意义。
本发明提供的基于自适应弹性网络的用户-家庭金融产品偏好的预测装置和方法，旨在利用规约矩阵因式分解方法，以较小的计算复杂度，分别对已知用户-商品评分数据的内在统计规律进行分析，从而提供自适应的用户-商品评分预测结果，为用户提供个性化、安全、可靠、严谨的家庭金融服务；本发明还实现了：(1)通过弹性网络对用户特性进行限制，增加了模型的稀疏性，更好体现用户的社区关系；(2)通过弹性网络对模型的高效限制，提高了模型的预测精度；(3)通过弹性网络模型的限制，提高模型的计算效率。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于自适应弹性网络的用户-商品偏好的预测装置，其特征在于，包括：
数据预处理模块，配置为采集用户-商品评分数据，并且将采集的数据处理成模型训练中可直接使用的数据；
数据存储模块，配置为存储预测装置中的数据；
参数控制模块，配置为用于判断控制参数是否满足基于自适应弹性网络的用户-商品偏好的预测模型的构造和更新条件；
预测数据生成模块，配置为预测用户-商品未知评分，并将生成的预测评分数据存入所述数据存储模块；
自适应参数控制模块，配置为根据用户-商品评分数据和控制参数构造所述预测模型并通知所述预测数据生成模块对所述预测模型进行数据训练；以及
数据输出模块，配置为输出用户-商品未知评分预测数据、用户和商品的隐特征；
所述数据输出模块包括预测未知评分单元，所述预测未知评分单元配置为执行以下步骤：
第一步：从隐特征输出单元获取用户u和商品i对应的隐特征；
第二步：计算用户u对商品i的评分预测值
Figure FDA0003300244960000011
计算公式为
Figure FDA0003300244960000012
其中mu′表示用户隐特征矩阵M中第u个用户对应的隐特征，ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征；
所述预测数据生成模块配置为结合所述预测模型来生成用户-商品评分预测数据，包括以下步骤：
第一步，通过随机梯度下降算法，使得在一轮训练过程中，对于mu,k和ni,k，使用其对应于
Figure FDA0003300244960000021
梯度的相反方向作为学习方向，对其进行局部更新，从而以最快的速度逼近局部最优值，可得其更新公式为：
Figure FDA0003300244960000022
第二步，通过对梯度下降算法求解对应参数的边界值来进行优化求解可得隐特征的更新公式，如下：
M_temp＝mu,k+η(ru,i-mu′·ni′)ni,k
Figure FDA0003300244960000023
N_temp＝ni,k+η(ru,i-mu′·ni′)mu,k
Figure FDA0003300244960000024
其中，h表示学习速率；mu′表示用户隐特征矩阵M中第u个用户对应的隐特征；ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征；mu,k和ni,k表示向量mu′和ni′的第k个元素；
Figure FDA0003300244960000025
和
Figure FDA0003300244960000026
分别表示元素mu,k和ni,k上求取的梯度；M_temp和N_temp分别表示元素mu,k和ni,k在第一步计算中，利用随机梯度下降方法求解的值；ru,i表示已知用户-商品评分数据；λ1和λ2是正则化因子，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果；β表示弹性网络自适应控制因子。
2.根据权利要求1所述的基于自适应弹性网络的用户-商品偏好的预测装置，其特征在于，所述数据预处理模块配置为执行以下步骤：
建立|U|行、|I|列的用户-商品评分矩阵R，其中U为用户集合，I为商品集合；
对用户-商品评分矩阵R进行分解，得到用户隐特征矩阵M和商品隐特征矩阵N，其中M是|U|行、d列的矩阵，N是|I|行、d列的矩阵，d为用户隐含特征空间和商品隐含特征空间的维数。
3.根据权利要求2所述的基于自适应弹性网络的用户-商品偏好的预测装置，其特征在于，所述参数控制模块包括初始化单元和参数控制单元，
所述初始化单元配置为：
将隐特征矩阵的特征空间维数d初始化为正整数；
使用随机较小的正数初始化用户隐特征矩阵M和商品隐特征矩阵N；
将最大训练迭代轮数T初始化为较大的正整数；
将迭代轮数控制变量a初始化为0；
将收敛终止阈值s用极小的正数初始化；
将正则化因子λ1和λ2初始化为较小的正数；
将弹性网络自适应控制因子β初始化为较小正数，
所述参数控制单元配置为判断决策参数是否满足基于自适应弹性网络的用户-商品偏好的预测模型的构造和更新条件。
4.根据权利要求3所述的基于自适应弹性网络的用户-商品偏好的预测装置，其特征在于，所述自适应参数控制模块配置为：根据用户-商品评分矩阵R中的已知数据集合A构造目标函数
Figure FDA0003300244960000041
加入L1和L2正则化项同时对目标函数进行限制，并且利用弹性网络对目标函数进行自适应的参数控制，得到目标函数
Figure FDA0003300244960000042
如下：
Figure FDA0003300244960000043
其中R(A)表示用户-商品评分矩阵R中用户对商品已知评分数据集合；ru,i表示用户u对商品i的评分；
Figure FDA0003300244960000044
表示已知评分数据集合A中用户u对商品i的评分；mu′表示用户隐特征矩阵M中第u个用户对应的隐特征；ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征；λ1和λ2是正则化因子，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果；β表示弹性网络自适应控制因子。
5.一种基于自适应弹性网络的用户-商品偏好的预测方法，其特征在于，包括如下步骤：
S1：采集用户-商品评分数据，建立用户-商品评分矩阵；
S2：对基于自适应弹性网络的用户-商品偏好预测模型中的控制参数进行更新；
S3：判定所述控制参数当前是否满足所述预测模型的更新条件，如果满足更新条件则执行步骤S4，如果不满足更新条件则执行步骤S5；
S4：使用规约矩阵因式分解，对用户-商品评分矩阵进行分解，构造由用户隐特征矩阵和商品隐特征矩阵组成的用户-商品评分预测模型，预测模型构造完成后返回执行步骤S2；
所述步骤S4包括：
S41，根据用户-商品评分矩阵R中的已知数据集合A构造目标函数
Figure FDA0003300244960000051
加入L1和L2正则化项同时对目标函数进行限制，并且利用弹性网络对目标函数进行自适应的参数控制，得到目标函数
Figure FDA0003300244960000052
如下：
Figure FDA0003300244960000053
S42，通过随机梯度下降算法，使得在一轮训练过程中，对mu,k和ni,k进行局部更新，使用其对应于
Figure FDA0003300244960000054
梯度的相反方向作为学习方向，从而以最快的速度逼近局部最优值，其更新公式为：
Figure FDA0003300244960000055
S43，通过对梯度下降算法求解对应参数的边界值来进行优化求解可得隐特征的更新公式，如下：
M_temp＝mu,k+η(ru,i-mu′·ni′)ni,k
Figure FDA0003300244960000061
N_temp＝ni,k+η(ru,i-mu′·ni′)mu,k
Figure FDA0003300244960000062
其中，R(A)表示用户-商品评分矩阵R中用户对商品已知评分数据集合；ru,i表示用户u对商品i的评分；
Figure FDA0003300244960000063
表示已知评分数据集合A中用户u对商品i的评分；mu′表示用户隐特征矩阵M中第u个用户对应的隐特征；ni′表示金融产品隐特征矩阵N中第i个商品对应的隐特征；mu,k和ni,k表示向量mu′和ni′的第k个元素；
Figure FDA0003300244960000064
和
Figure FDA0003300244960000065
分别表示元素mu,k和ni,k上求取的梯度；M_temp和N_temp分别表示元素mu,k和ni,k在第一步计算中，利用随机梯度下降方法求解的值；λ1和λ2是正则化因子，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果；β表示弹性网络自适应控制因子；η表示学习速率；
S5：判断所述控制参数是否为非法的取值，如果所述控制参数取值合法则执行步骤S6，如果不合法则返回执行步骤S2；
S6：根据对用户和商品的隐特征的更新，获得在所述预测模型达到收敛时的用户隐特征矩阵和商品隐特征矩阵；
S7：通过矩阵分解方法将得到的用户隐特征矩阵和商品隐特征矩阵用于预测用户-商品评分矩阵中的缺失值。
6.根据权利要求5所述的基于自适应弹性网络的用户-商品偏好的预测方法，其特征在于，所述步骤S2包括：
更新正则化因子λ1和λ2，λ1表示衡量L1正则化项对模型的限制效果，λ2表示衡量L2正则化项对模型的限制效果；
更新弹性网络自适应控制因子β；
更新用户u和商品i对应的隐特征空间的隐特征向量mu’和ni’。
7.根据权利要求6所述的基于自适应弹性网络的用户-商品偏好的预测方法，其特征在于，所述步骤S3包括：
S31，判断本次的预测精度和上一次的预测精度相差是否已经小于阈值s：如果大于阈值s，则满足更新条件；如果小于阈值s，则不满足更新条件，训练结束；
S32，判断训练过程中迭代轮数控制变量a是否大于最大训练迭代轮数T：若小于最大训练迭代轮数T，则满足更新条件；若大于最大训练迭代轮数T，则训练结束。
CN201910598113.9A 2019-07-04 2019-07-04 基于自适应弹性网络的用户-商品偏好的预测装置和方法 Active CN110413878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910598113.9A CN110413878B (zh) 2019-07-04 2019-07-04 基于自适应弹性网络的用户-商品偏好的预测装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910598113.9A CN110413878B (zh) 2019-07-04 2019-07-04 基于自适应弹性网络的用户-商品偏好的预测装置和方法

Publications (2)

Publication Number Publication Date
CN110413878A CN110413878A (zh) 2019-11-05
CN110413878B true CN110413878B (zh) 2022-04-15

Family

ID=68360218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910598113.9A Active CN110413878B (zh) 2019-07-04 2019-07-04 基于自适应弹性网络的用户-商品偏好的预测装置和方法

Country Status (1)

Country Link
CN (1) CN110413878B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178986B (zh) * 2020-02-18 2023-04-07 电子科技大学 用户-商品偏好的预测方法及系统
CN111311324B (zh) * 2020-02-18 2022-05-20 电子科技大学 基于稳定神经协同过滤的用户-商品偏好预测系统和方法
CN111564201A (zh) * 2020-05-08 2020-08-21 深圳市万佳安人工智能数据技术有限公司 一种基于粒子群优化的儿童饮食智能预测方法和装置
CN113657635B (zh) * 2020-05-12 2023-10-27 中国移动通信集团湖南有限公司 一种预测通信用户流失的方法及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003058783A (ja) * 2001-08-21 2003-02-28 Toppan Printing Co Ltd 心理特性による選好予測サーバ、心理特性による選好予測方法、心理特性による選好予測プログラムを記録した記録媒体
CN102129463A (zh) * 2011-03-11 2011-07-20 北京航空航天大学 一种融合项目相关性的基于pmf的协同过滤推荐系统
CN103530304A (zh) * 2013-05-10 2014-01-22 Tcl集团股份有限公司 基于自适应分布式计算的在线推荐方法、系统和移动终端
CN104965896A (zh) * 2015-06-23 2015-10-07 中国船舶重工集团公司第七0九研究所 基于二次函数表示用户偏好的推荐方法及系统
CN105976220A (zh) * 2016-04-25 2016-09-28 合肥工业大学 基于项目使用次数的矩阵分解推荐方法
CN106202377A (zh) * 2016-07-08 2016-12-07 北京大学 一种基于随机梯度下降的在线协同排序方法
CN106874355A (zh) * 2016-12-28 2017-06-20 浙江浙大网新集团有限公司 同时融入社交关系和用户相似度的协同过滤方法
CN109783739A (zh) * 2019-01-23 2019-05-21 北京工业大学 一种基于层叠稀疏降噪自编码器增强的协同过滤推荐方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7707059B2 (en) * 2002-11-22 2010-04-27 Accenture Global Services Gmbh Adaptive marketing using insight driven customer interaction
US7937397B2 (en) * 2006-08-22 2011-05-03 Fuji Xerox Co., Ltd. Apparatus and method for term context modeling for information retrieval
WO2009039897A1 (en) * 2007-09-26 2009-04-02 Fraunhofer - Gesellschaft Zur Förderung Der Angewandten Forschung E.V. Apparatus and method for extracting an ambient signal in an apparatus and method for obtaining weighting coefficients for extracting an ambient signal and computer program
EP2260373A4 (en) * 2008-02-25 2016-08-03 Atigeo Llc DETERMINING RELEVANT INFORMATION FOR AREAS OF INTEREST
CN109918562B (zh) * 2019-01-18 2022-10-18 重庆邮电大学 一种基于用户社区和评分联合社区的推荐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003058783A (ja) * 2001-08-21 2003-02-28 Toppan Printing Co Ltd 心理特性による選好予測サーバ、心理特性による選好予測方法、心理特性による選好予測プログラムを記録した記録媒体
CN102129463A (zh) * 2011-03-11 2011-07-20 北京航空航天大学 一种融合项目相关性的基于pmf的协同过滤推荐系统
CN103530304A (zh) * 2013-05-10 2014-01-22 Tcl集团股份有限公司 基于自适应分布式计算的在线推荐方法、系统和移动终端
CN104965896A (zh) * 2015-06-23 2015-10-07 中国船舶重工集团公司第七0九研究所 基于二次函数表示用户偏好的推荐方法及系统
CN105976220A (zh) * 2016-04-25 2016-09-28 合肥工业大学 基于项目使用次数的矩阵分解推荐方法
CN106202377A (zh) * 2016-07-08 2016-12-07 北京大学 一种基于随机梯度下降的在线协同排序方法
CN106874355A (zh) * 2016-12-28 2017-06-20 浙江浙大网新集团有限公司 同时融入社交关系和用户相似度的协同过滤方法
CN109783739A (zh) * 2019-01-23 2019-05-21 北京工业大学 一种基于层叠稀疏降噪自编码器增强的协同过滤推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"并行协同过滤推荐模型的研究";黄晓凤;《中国优秀硕士学位论文全文数据库信息科技辑》;20140215;I138-919 *

Also Published As

Publication number Publication date
CN110413878A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110413878B (zh) 基于自适应弹性网络的用户-商品偏好的预测装置和方法
CN109242633B (zh) 一种基于二部图网络的商品推送方法和装置
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN112364976B (zh) 基于会话推荐系统的用户偏好预测方法
CN110390561B (zh) 基于动量加速随机梯度下降的用户-金融产品选用倾向高速预测方法和装置
CN110799995A (zh) 数据识别器训练方法、数据识别器训练装置、程序及训练方法
CN111814921B (zh) 对象特征信息获取、对象分类、信息推送方法及装置
CN109740924B (zh) 融合属性信息网络和矩阵分解的物品评分预测方法
CN110427560A (zh) 一种应用于推荐系统的模型训练方法以及相关装置
JP6311851B2 (ja) 共クラスタリングシステム、方法およびプログラム
CN110222838B (zh) 文档排序方法、装置、电子设备及存储介质
CN115186097A (zh) 一种基于知识图谱和强化学习的交互式推荐方法
Chen et al. Generative inverse deep reinforcement learning for online recommendation
CN111563203A (zh) 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法
CN114925270A (zh) 一种会话推荐方法和模型
CN113377964A (zh) 知识图谱链接预测方法、装置、设备及存储介质
CN111832623A (zh) 一种基于相空间重构的回声状态网络时间序列预测算法
CN116362836A (zh) 基于用户行为序列的农产品推荐算法
JP7423694B2 (ja) 機械学習方法、訓練方法、予測システム、及び非一時的コンピュータ可読媒体
CN116361677A (zh) 一种基于差分隐私保护机制的粒子群模糊c均值聚类方法
CN113010774B (zh) 一种基于动态深度注意力模型的点击率预测方法
CN115599972A (zh) 一种序列推荐中的对偶增强倾向性得分估计方法
CN114611673A (zh) 神经网络压缩方法、装置、设备及可读存储介质
CN114819107A (zh) 基于深度学习的混合数据同化方法
CN111539536B (zh) 一种评估业务模型超参数的方法和装置

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
TA01 Transfer of patent application right

Effective date of registration: 20220311

Address after: 201400 room 956, building 5, No. 2788, Nanting Road, Zhuangxing Town, Fengxian District, Shanghai

Applicant after: Wuwu Haitao (Shanghai) Technology Co.,Ltd.

Address before: 610213 No. 1, floor 3, unit 8, building 28, No. 158, Section 2, new hope Avenue, Huayang street, Tianfu new area, Chengdu, Sichuan

Applicant before: Sichuan jinzan Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant