[发明专利]一种基于信任关系特征学习的社会化推荐方法

权利要求书

1.一种基于信任关系特征学习的社会化推荐方法，其特征在于，基于一个稀疏自编码模型，所述模型结构由一个深层自编码网络和面向稀疏数据的损失函数构成；

包括以下步骤：

步骤1：利用稀疏自编码模型(SSDAE)计算信任关系特征；

步骤2：将计算得到的信任关系特征与矩阵分解方法结合，计算得到用户特征和商品特征；

步骤3：利用用户和产品的特征向量计算推荐结果；

步骤1的具体实现包括以下子步骤：

步骤1.1：令表示N个用户之间的信任关系矩阵，如果用户i信任用户j，则对应的元素X_i,j值为1，否则为0.

步骤1.2：构建稀疏自编码网络，将输入数据X经过L层神经网络得到重建矩阵第l层的输出X_l通过下面方式映射：

其中，和是l层对应的权重和偏置，其中，K_l是对应l层的维度，通过实验设定最优值；h(x)是一个非线性激活函数，这里采用逻辑斯蒂激活函数h(x)＝1/(1+e^-x)；

步骤1.3：建立信任关系重建误差函数：

其中，x_u,v和表示用户u和v之间的信任关系及其对应的预测值；集合表示用户u的信任对象集合，表示从用户u的不信任对象集合中采样个对象的子集合，其中，表示用户u信任对象集合的数量；λ是用户控制网络权重复杂度的参数

步骤1.4：循环迭代更新网络权重：

t表示迭代次数，α表示学习率；

步骤1.5：如果迭代次数小于100，则跳转到步骤1.4，否则跳转到步骤1.6.

步骤1.6：将稀疏自编码的中间输出状态X_L/2作为用户的信任关系特征向量用于推荐算法的计算；

步骤2的实现包括以下子步骤：

步骤2.1：结合信任关系特征向量预测用户u对商品i的评分：

步骤2.2：根据预测的评分，建立社会化推荐方法的损失函数作为优化目标：

其中，β是用于调整信任关系特征学习权重的超参，根据实验结果调整；

步骤2.3：迭代更新，训练参数；对于每对评分数据(u，i)，计算各向量的梯度，并进行迭代更新：

其中，每次迭代将t次的结果减去α乘梯度，从而得到新的参数值；

步骤2.4：若迭代次数t不到100，则跳转到步骤2.3，否则跳转到步骤2.5；

步骤2.5：获得计算结果P、Q；

步骤3的具体实现包括以下子步骤：

步骤3.1：对于每个用户u和待预测产品i，计算预测评分：

其中，表示用户u对项目i的预测评分；

步骤3.2：根据预测评分，评估推荐效果；

其中，MAE和RMSE分别表示平均绝对误差和均方根误差，I表示所有测试数据的集合，|I|表示测试集合的数据量。