[发明专利]基于矩阵分解与网络嵌入联合模型的社会化推荐方法

权利要求书

1.一种基于矩阵分解与网络嵌入联合模型的社会化推荐方法，其特征在于，包括：

构建用户-物品评分矩阵，所述评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分；

构建用户-用户社交网络，所述社交网络中的结点表示用户，连接表示用户之间的某种社交关系，根据所述用户-用户社交网络生成社交语料；

设定矩阵分解与网络嵌入联合模型的目标函数，利用所述用户-物品评分矩阵和用户社交语料训练联合模型，得到用户特征矩阵和物品特征矩阵；

根据所述用户特征矩阵和所述物品特征矩阵预测出未观测评分；将评分数值较高的若干物品推荐给相应用户；

所述矩阵分解与网络嵌入联合模型的目标函数定义如下：

其中和分别表示矩阵分解模型和网络嵌入模型的损失函数，用户特征矩阵P为矩阵分解模型和网络嵌入模型两个模型的共享变量，为正则项；

矩阵分解模型的损失函数定义如下：

其中，Ω是由已观测评分对应的(u，i)索引对组成的集合，R_ui表示用户u对于物品i的真实评分，为矩阵P的第u列、为矩阵Q的第i列，分别对应于用户u和物品i的特征向量，T表示向量转置；

用户特征矩阵P在矩阵分解模型和网络嵌入模型间共享，其中网络嵌入模型实为一个三层的神经网络，其输入层与隐层之间的连接权重矩阵即为隐层与输出层之间的连接权重矩阵为网络嵌入模型的损失函数定义如下：

其中，激活函数σ(z)＝1/(1+e^-z)，s和k分别表示滑动窗口的大小和负样本的个数，和分别表示用户u的上下文用户集合和负样本集合；

正则项用于降低模型过拟合的风险，具体定义如下：

其中，||·||_F表示Frobenius范数; 合并各项后，所述矩阵分解与网络嵌入联合模型的目标函数表示如下：

其中，α＞0为超参数，用于调控矩阵分解模型与网络嵌入模型之间的比重，超参数λ_U，λ_I，λ_W用于调节正则项各分项的比重。

2.根据权利要求1所述的方法，其特征在于，所述用户-物品评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分，包括：

利用已有的数据集构建用户-物品评分矩阵，所述评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分，并对评分数据进行归一化处理，获得评分矩阵R∈[0，1]^m×n，其中m和n分别表示用户和物品数量，某用户对某物品的评分被量化为小数，数值越接近于1表示该用户越喜欢该物品，0表示未评分。

3.根据权利要求1所述的方法，其特征在于，所述的构建用户-用户社交网络，所述社交网络中的结点表示用户，连接表示用户之间的某种社交关系，根据所述用户-用户社交网络生成社交语料，包括：

利用已有的数据集构建用户-用户社交网络，该社交网络中的连接用于记录用户间的社交关系；若两用户之间存在某种社交联系，则相应连接被标记为1；若没有社交联系，则标记为0；通过对所述用户-用户社交网络进行截断式随机游走，得到每个用户的上下文用户集合，通过对所述用户-用户社交网络进行负采样，得到每个用户的负样本集合，全部用户的上下文用户集合和负样本集合构成了所述社交语料。