[发明专利]基于BP神经网络评分预测误差的近邻用户选择方法

权利要求书

1.一种基于BP神经网络评分预测误差的近邻用户选择方法，其特征在于，包括如下步骤：

S1将数据集按比例分为训练数据集和测试数据集，其中训练数据集用于作为已知信息用于评分预测模型的训练；

S2确定BP神经网络结构，确定各层神经元的个数；

所述BP神经网络结构具体为：BP神经网络结构分为输入层，隐含层以及输出层，数据从输入层的神经元输入，经过隐含层，最后由输出层输出，其中输入层的输入为物品的属性特征向量，假设物品i的属性特征向量为：

attr_i＝[a₁,...,a_s,...,a_k]

其中s取值为1～k，k为需要引入的物品属性特征个数，根据实际场景而定，当a_s为0的时候表示该物品不具有第s个属性特征，而当a_s等于1的时候表示该物品具有第s个属性特征；输入层神经元的个数与需要引入属性特征的个数一致，隐含层的个数为可调参数，可调参数通过实验决定，而输出层的神经元输出为预测评分，个数为1；假设输入层的神经元个数为k个，与考虑的物品属性特征个数一致；隐含层的神经元个数为p个，p为可调参数，由实验测试决定选择预测误差较少的p值；输出层的神经元个数为1；

S3确定BP神经网络各层神经元的激活函数；

S4为每个用户训练BP神经网络，具体为：假设第i个输入层神经元的输入为x_ii，输出为x_oi:

x_oi＝f_i(x_ii)

式中，f_i为输入层的神经元的激活函数；

第h个隐含层神经元的输入为h_ih，输出为h_oh，而第o个输出层的输入为y_io，输出为y₀：

h_oh＝f_h(h_ih)

y_o＝f_o(y_i)

式中，f_h为隐含层的神经元的激活函数，为f_o输出层的激活函数；

隐含层第h个神经元的输入为：

式中，W_ih为第i个输入层神经元与第h个隐含层神经元之间的连接权重，k为输入层的神经元个数；输出层神经元的输入为：

式中，W_ho为第h个隐含层神经元与输出层神经元之间的连接权重,p为隐含层的神经元个数；

假设当前用户为u，从训练数据集中找出属于用户u的历史评分记录集合Rat_u，每条评分记录至少包含用户ID，物品ID以及评分值，从历史评分记录集合Rat_u得到用户u的历史评分物品的集合I_u，其每个元素为物品的对应ID；初始化最大迭代次数为m，每次迭代的时候，从历史评分物品的集合I_u中按随机顺序取出物品ID，输入该物品ID对应的属性特征向量，假设当前输入的物品为i，其对应的属性特征向量为：

attr_i＝[a₁,a₂,...,a_k]

经过BP神经网络前向传播之后，输出层的神经元将输出当前用户u对该物品的预测评分y_o，使用用户对该物品的实际评分d与预测评分y_o对比进行误差计算得到：

BP神经网络在使用随机梯度下降法迭代更新网络参数的目标函数时，预测误差越小越好，每次迭代完成后，统计本次迭代过程的全局预测误差：

其中I_u为历史评分物品的集合，当E_u小于某个阈值或者达到最大迭代次数的时候，用户u的BP神经网络参数迭代更新完成；BP神经网络的迭代更新是在反向传播的过程，当计算完预测评分和实际评分的误差后，首先更新隐含层与输出层之间的连接权重参数，然后再更新输入层与隐含层之间的连接权重，利用随机梯度下降法可得：隐含层第h个神经元与输出层神经元之间的连接权重更新为：

其中α为梯度下降的步长，其中指全局误差E关于W_ho的梯度，即E关于W_ho减小最快的方向，f′_o(y_i)指输出层神经元激活函数y_o关于输出层神经元输入y_i的导数；输入层第i个神经元与隐含层第h个神经元之间的连接权重更新为其中α为梯度下降的步长，指全局误差E关于连接权重W_ih的梯度，即E关于连接权重W_ih减小最快的方向，其中f′_h(h_ih)指隐含层神经元激活函数y_h关于第h个隐含层神经元输入h_ih的导数；

S5为每个用户筛选近邻用户集合，具体为：假设当前用户u，为该用户筛选k个相似用户作为近邻用户集合，那么需要计算用户u与每个候选近邻用户的相似度，选择相似度最高的前k个候选近邻用户作为用户u的近邻用户集；假设候选近邻用户为v，那么使用候选近邻用户v训练好的BP神经网络模型对当前用户u的历史评分物品的集合I_u进行评分预测，假设历史评分物品的集合I_u的物品个数为n，候选用户v对历史评分物品的集合I_u中物品i的预测评分为bp_v,i，而当前用户u对该物品的实际评分为r_u,i，那么候选近邻用户v对当前用户u的历史评分记录的整体预测误差为当候选用户v对用户u的历史评分记录预测误差越小，表示候选用户v与用户u对物品属性特征都具有相似偏好，因此预测评分误差才会较小，则认为候选用户v与用户u越相似，相似度为因此按照该相似度计算模型能为用户u筛选出相似度最高的前k个近邻用户作为近邻用户集。

2.根据权利要求1所述的基于BP神经网络评分预测误差的近邻用户选择方法，其特征在于所述S3中的神经网络各层神经元的激活函数，具体为：输入层的神经元与输出层的神经元的激活函数选择线性函数f(x)＝ax+b，其中a和b的值根据具体场景决定即可，而隐含层神经元的激活函数采用sigmoid函数f(x)＝1/(1+e^-x)来完成用户评分与物品属性特征的非线性复杂关系。