[发明专利]基于哈希学习的轻量级社会化推荐方法

权利要求书

1.一种基于哈希学习的轻量级社会化推荐方法，其特征在于，包括：

S1、构建用于记录用户对物品的评分行为的用户-物品评分矩阵，并对所述用户-物品评分矩阵中的评分数据进行归一化处理；

S2、构建用于记录用户间的连接关系的用户-用户社交网络，通过对所述用户-用户社交网络施加截断式随机游走和负采样，生成社交语料；

S3、根据所述用户-物品评分矩阵和社交语料训练离散矩阵分解与连续网络嵌入混合模型，得到二值化的用户特征矩阵和物品特征矩阵；

S4、根据所述用户特征矩阵和物品特征矩阵预估用户对各个未评分物品的偏好分值，并将预估分值最高的一个或者多个未评分物品推荐给用户；

所述的根据所述用户-物品评分矩阵和社交语料训练离散矩阵分解与连续网络嵌入混合模型，得到二值化的用户特征矩阵和物品特征矩阵，包括：

所述的离散矩阵分解与连续网络嵌入混合模型的目标函数定义如下：

其中和分别表示离散矩阵分解模型和连续网络嵌入模型的损失函数；为离散矩阵分解模型和连续网络嵌入模型间的平滑项，用于连接离散矩阵分解模型和连续网络嵌入模型；

所述的离散矩阵分解模型的损失函数定义如下：

s.t.B∈{±1}^f×m，D∈{±1}^f×n

B1_m＝0，D1_n＝0，BB^T＝mI_f，DD^T＝nI_f

其中，Ω是由已观测评分对应的(u，i)索引对组成的集合，为矩阵B的第u列、为矩阵D的第i列，分别对应于用户u和物品i的二值化特征向量；约束条件中，B1_m＝0和D1_n＝0用于控制特征编码平衡性，BB^T＝mI_f和DD^T＝nI_f用于控制特征编码独立性，矩阵B表示二值化的用户特征矩阵，矩阵D表示二值化的物品特征矩阵；

所述连续网络嵌入模型为包括一个隐层的神经网络，设表示神经网络的输入层与隐层之间的连接权重矩阵，表示隐层与输出层之间的连接权重矩阵；对某一用户u而言，其对应两个社会化特征w_u和v_u，分别源自矩阵W的第u列和矩阵V的第u行，w_u称为输入向量，v_u称为输出向量；

所述连续网络嵌入模型的损失函数定义如下：

其中，和分别代表用户u所有正样本和负样本的均值向量，σ(z)＝1/(1+e^-z)用于将输入变量转化为概率输出；λ_w，λ_v为超参数，用于调节正则项在损失函数中的比重；

矩阵分解模型和连续网络嵌入模型之间的平滑项定义为：

合并各项后，所述离散矩阵分解与连续网络嵌入混合模型的目标函数表示如下：

s.t.B∈{±1}^f×m，D∈{±1}^f×n

B1_m＝0，D1_n＝0，BB^T＝mI_f，DD^T＝nI_f

其中，α，β0为超参数，用于调控目标函数中各项的比重；定义两个连续变量和进而将平衡约束和去相关性约束条件放松为和用tr(B^TX)和tr(D^TY)代替和离散矩阵分解与连续网络嵌入混合模型的目标函数被等价转换为如下优化问题：

s.t.B∈{±1}^f×m，D∈{±1}^f×n，

X1_m＝0，Y1_n＝0，XX^T＝mI_f，YY^T＝nI_f

其中，λ_B，λ_B＞0为超参数，用于调控目标变量的放松程度；

所述离散矩阵分解与连续网络嵌入混合模型的训练过程包括：对模型参数B，D，W，V，X，Y初始化，进入迭代训练过程：固定D，W，V，X，Y，并行优化每个b_u，利用DCD算法对每个b_u进行逐位更新，得到更新后的B；固定B，W，V，X，Y，并行优化每个d_i，利用DCD算法对每个d_i进行逐位更新，得到更新后的D；固定B，D，X，Y，利用SGD算法更新W，V，其中梯度计算采用BP算法；固定B，D，W，V，Y，借助SVD算法更新X；固定B，D，W，V，X，借助SVD算法更新Y；重复上述步骤，不断交替更新参数B，D，W，V，X，Y，直到满足收敛条件，停止训练过程，最后输出二值化的用户特征矩阵B和物品特征矩阵D。