[发明专利]一种融合视觉特征和用户评分的图像推荐方法

权利要求书

1.一种融合视觉特征和用户评分的图像推荐方法，其特征是按如下步骤进行：

步骤1、通过网络爬虫从网站上爬取物品图像集P和相应的物品评分数据集Q；

步骤2、从所述物品图像集P中提取出N幅物品图像，从相应的物品评分数据集Q中提取出M个用户对N幅物品图像的评价信息，从而得到M个用户对N幅物品图像的评分矩阵所述评分矩阵Y中任意用户u对任意物品图像i的评分记为y_ui，若y_ui＝1表示用户u评价了物品图像i对应的物品，y_ui＝0表示用户u未评价物品图像i对应的物品；

步骤3、对所述N幅物品图像进行归一化处理得到图像集C；

步骤4、利用卷积神经网络CNN对所述图像集C中的N幅图像分别进行特征提取，得到N幅图像的视觉特征矩阵其中，T表示每幅图像的视觉特征的维度，每一列向量表示图像i所对应的视觉特征向量；

步骤5、利用式(1)建立预测偏好模型：

式(1)中，表示用户u的潜在特征向量，K表示潜在特征维度，表示转化矩阵，用于将图像i的视觉特征向量f_i转化为嵌入向量；Ef_i表示图像i的潜在特征向量，表示预测的用户u对图像i的偏好；

步骤6、利用基于元素的交替最小二乘法更新所述预测偏好模型；

步骤6.1、利用式(2)得到损失函数L：

式(2)中，y表示在评分矩阵Y中有评价过的物品图像集合，w_ui表示在评分矩阵Y中任意用户u对任意物品图像i评分的权重，表示剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好，且p_uk表示用户u的潜在特征向量p_u的第k维值；c_i表示在评分矩阵Y中未被评价过的物品图像i的权重，λ表示L2正则化的参数，表示转化矩阵E中第k行向量；

步骤6.2、定义循环变量为α，并初始化α＝0；定义最大循环次数为α_max；利用标准正态分布随机初始化第α次循环的预测偏好模型参数其中，表示第α次循环的用户u的潜在特征向量，E_α表示第α次循环的转化矩阵；

步骤6.3、利用式(3)更新第α次循环时用户u的潜在特征向量p_u的第k维值

式(3)中，表示第α次循环时转化矩阵E中第k行向量，y_u表示在评分矩阵Y中用户u评价过的物品图像集合；

步骤6.4、采取逐元素的更新策略，利用式(4)更新第α次循环时转化矩阵E_α中第k行向量的第j维值

式(4)中，f_ij表示视觉特征矩阵F中物品图像i的第j维特征值，表示在第α次循环时转化矩阵E_α的第k行向量中，剔除视觉特征矩阵F中物品图像i的第j维值后的潜在特征值；在第α次循环时剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好；

步骤6.5、将α+1赋值给α，并判断α＞α_max是否成立，若成立，则表示获得最优预测偏好模型参数否则，返回步骤6.3执行；

步骤7、根据所述最优预测偏好模型参数利用式(5)预测得到用户u对所有物品图像的偏好集合

式(5)中，表示第α_max次循环时转化矩阵，表示第α_max次循环时用户u的潜在特征向量；

步骤8、对所述用户u对所有物品图像的偏好集合中的偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户u。