申请/专利权人：中国科学院信息工程研究所

申请日：2021-07-21

公开（公告）日：2024-03-22

公开（公告）号：CN113722608B

主分类号：G06F16/9536

分类号：G06F16/9536;G06F16/9535

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.12.17#实质审查的生效;2021.11.30#公开

摘要：本发明公开了一种迭代副信息指导下基于关联关系学习的协同过滤方法及装置，将用户与物品的异质副信息集成到评分记录矩阵；利用生成的偏好预测矩阵，对每一用户进行物品推荐。本发明通过对用户和物品的不同类型的异质副信息进行重要性区分，利用神经因子分解机挖掘各个类型的异质副信息之间的关联关系，并通过迭代的指导充分发挥用户和物品的异质副信息的作用，从而实现对用户和物品的综合理解，提高用户对物品偏好预测的准确度。

主权项：1.一种迭代副信息指导下基于关联关系学习的协同过滤方法，1构建m个用户与n个物品之间的评分记录矩阵R0，其中评分记录矩阵R0中包括若干真实评分记录和若干缺失评分记录；2分别挖掘用户与物品中异质副信息之间关联关系，通过生成的用户画像矩阵Pusers及物品画像矩阵Qitems，计算用户与物品之间的偏好预测矩阵R′；其中，生成用户画像矩阵Pusers及物品画像矩阵Qitems的过程，包括：利用异质信息网络，分别获取用户与物品中各类型异质副信息的向量表示uj与ik；针对向量表示uj与ik，通过注意力网络学习不同类型异质副信息的重要性，得到各异质副信息的权值；将权值与各向量表示uj或ik进行点乘操作，得到加权异质副信息；将加权异质副信息输入神经因子分解机，构建用户画像pj或物品画像qk；其中，用户画像物品画像w0是全局偏置，wa表示的权值，va与vb分别表示权值矩阵v的第a行和第b行，与分别表示用户j的第a个与第b个加权异质副信息，d表示异质副信息的维度，MLP是用来学习用户j与物品k的各种类型的异质副信息之间的高阶特征交互的全连接网络，wg表示的权值，vg与vh分别表示权值矩阵v的第g行与第h行，与分别表示物品k的第g个与第h个加权异质副信息；基于用户画像pj和物品画像qk，生成用户画像矩阵Pusers或物品画像矩阵Qitems；3基于偏好预测矩阵R′，生成偏好预测矩阵并利用偏好预测矩阵填充评分记录矩阵Rt-1中的缺失评分记录，生成评分记录矩阵Rt，从而将偏好预测矩阵R′集成到评分记录矩阵Rt中，其中t为迭代次数，所述基于偏好预测矩阵R′，生成偏好预测矩阵包括：将评分记录矩阵Rt-1输入多层感知机，生成用户对物品的偏好预测矩阵R″t-1；对偏好预测矩阵R″t-1与偏好预测矩阵R′进行元素累加，生成偏好预测矩阵4当评分记录矩阵Rt-1中的各真实评分记录与偏好预测矩阵中的相应预测评分记录满足设定时，基于训练好的偏好预测矩阵向各用户推荐物品；其中，所述基于训练好的偏好预测矩阵向各用户推荐物品，包括：分别获取p个用户的用户ID及q个物品的物品ID；其中，p个用户集合∈m个用户集合，q个物品集合∈n个物品集合；使用各用户ID及物品ID从偏好预测矩阵中查找出相应的用户对物品的预测评分值；基于预测评分值，将q个物品推荐给p个用户。

全文数据：

权利要求：

百度查询： 中国科学院信息工程研究所 迭代副信息指导下基于关联关系学习的协同过滤方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD