[发明专利]一种基于深度神经网络的影评网站用户的属性预测方法

权利要求书

1.一种基于深度神经网络的影评网站用户的属性预测方法，其特征在于，包括如下步骤：

(1)基于矩阵分解技术，将用户历史评分数据分解为用户-特征矩阵和电影-特征矩阵，基于两个矩阵对用户向量进行稠密填充，其中用户向量为用户对各个电影的打分；

(2)基于填充处理后的用户向量、样本用户的多个属性结构化特征和多任务学习技术进行全连接的深度神经网络模型训练，得到训练好的深度神经网络模型；

(3)将待预测样本用户的用户向量输入训练好的深度神经网络模型进行预测，得到预测用户的各个任务属性的分数，从而得到最终的用户属性类别；

所述步骤(1)的具体步骤如下：

(11)基于矩阵分解技术，将用户历史评分数据的矩阵R分解为用户隐性偏好矩阵P和物品隐性反馈矩阵Q，公式如下：

R＝P^TQ

其中，P∈R^f×m和Q∈R^f×n表示用户和物品在潜在因素空间的映射，f为潜在因素的维度，T表示矩阵的转置，m为用户的个数，n为电影的个数；

(12)根据用户隐性偏好矩阵P和物品隐性反馈矩阵Q对每一个用户向量进行固定数量的填充，填充位置为各用户向量预测的评分数据中数值最高的数据所对应的位置，填充位置具体公式如下：

s.t.||D||₂＝Z

其中，Z为需要被转化成非零值元素的个数，index_j表示第j个用户需要被填充为非零值元素的位置，D为每一个用户向量中所需要填充的数据的集合，p_j,i表示所预测出的j个用户对i个电影的评分

所述步骤(2)具体步骤如下：

(21)将样本用户的标签表示为多个任务的多分类标签组合成结构化向量的形式，每一个任务的标签可表示为如下形式：

式中，N(t)为第t个任务的类别数，其中，任务为用户的属性，如果任务t属于第l个标签对应的类别，那么对应的的值为1，否则为0；

样本最终的结构化标签为：

Y＝[Y₁,Y₂,...Y_T]

式中，T表示有T任务，Y表示有T任务的标签；

(22)将填充处理后的用户向量组成的用户集合划分为训练集和测试集，并初始化深度神经网络模型参数w；

(23)从训练集中随机选择样本，计算初始化参数后的深度神经网络模型中间层的节点输出和输出层各单元的数值，其中，中间层神经元的激活函数采用ReLU，即节点输出函数，公式如下：

f(x)＝max(0,x)

式中，x为神经元的输入；

输出层的激活函数采用为softmax函数，即输出层的函数；对于每一个任务t，第k个输出神经元的激活值的公式为：

式中，net_k、net_s为神经元的净输出值，N(t)为第t个任务的类别数；(24)将步骤(23)得到的中间层的节点输出和输出层各单元的数值与步骤(21)得到的样本最终的结构化标签做交叉熵，使用交叉熵损失函数计算总体损失，若总体损失值小于设定阈值或迭代次数大于设定最大迭代次数，则停止训练，否则转到步骤(25)；

(25)采用SGD对步骤(22)中的深度神经网络模型参数w进行更新后转到步骤(23)。

2.根据权利要求1所述的一种基于深度神经网络的影评网站用户的属性预测方法，其特征在于，所述步骤(3)的具体步骤如下：

(31)将待预测样本用户的用户向量输入训练好的深度神经网络模型中，计算深度神经网络模型的输出，得到输出形式为[Y₁,Y₂,...Y_T]的结果，其中，任务t的分类形式为每一元素表示样本用户属于该类别标签的概率得分；

(32)对于步骤(31)得到的每一个任务t，该任务的分类Y_t是一个多标签分类，选取得分最高的元素对应的标签类别作为样本用户在该任务下的分类结果具体如下：

将多个任务组合起来，样本的最终分类结果为：