[发明专利]一种基于神经协同过滤的推荐方法

权利要求书

1.一种基于神经协同过滤的推荐方法，其特征在于，包括：

S1：检索数据库和日志文件，查询用户和物品之间的交互记录，将交互记录的原始数据分割为训练集和测试集两个部分，使用训练集构建用户-物品交互矩阵其中，M和N分别表示系统中用户和物品的个数，若用户u和物品i之间存在交互行为，则用户-物品交互矩阵Y中第u行i列的元素值为1；否则，值为0；

S2：从用户-物品交互矩阵Y的缺失项中抽取负样本，完善训练集；

S3：使用用户和物品的ID及历史交互作为原始输入，经过one-hot和multi-hot编码后，转变为模型能够直接处理的输入向量，利用线性的嵌入层，将高维、稀疏的输入向量转换为低维、稠密的表示向量，从而得到目标用户u和候选物品i的两类表示向量；

S4：使用嵌入整合层，将目标用户u和候选物品i的两类表示向量整合在一起，形成目标用户u和候选物品i最终的表示向量；

S5：使用神经协同过滤层对目标用户u和候选物品i之间的交互行为进行建模；

S6：计算目标用户u对候选物品i的感兴趣程度；

S7：选择目标函数和优化方法，优化模型，更新模型参数；

S8：返回执行步骤S2，继续训练模型，直至模型收敛或者超过最大的迭代次数；

S9：生成推荐列表，并对模型的性能进行评估；

步骤S4包括：

S4.1：对于矩阵分解MF部分，由将两类表示向量相加，得到了目标用户u最终的表示向量和候选物品i最终的表示向量p_u表示从ID的角度得到目标用户u的表示向量，q_i表示从ID的角度得到候选物品i的表示向量，m_u表示从历史交互的角度得到目标用户u的表示向量，n_i表示从历史交互的角度得到候选物品i的表示向量；

S4.2：对于多层感知器MLP部分，由通过向量拼接操作，形成了目标用户u最终的表示向量和候选物品i最终的表示向量其中，表示向量拼接，p^′_u表示从ID的角度得到目标用户u的表示向量，q^′_i表示从ID的角度得到候选物品i的表示向量，m^′_u表示从历史交互的角度得到目标用户u的表示向量，n^′_i表示从历史交互的角度得到候选物品i的表示向量；

步骤S5包括：

S5.1：对于矩阵分解MF部分，由对用户和物品之间的交互行为进行建模，其中，e^MF表示矩阵分解的输出向量，⊙表示哈达玛积；

S5.2：对于多层感知器MLP部分，由将用户和物品的表示向量拼接起来，得到神经协同过滤层的输入向量e_ui；然后，将e_ui喂进多层感知器中，去学习用户和物品之间的交互函数，得到多层感知器的输出向量e^MLP。

2.根据权利要求1所述的方法，其特征在于，步骤S3包括：

S3.1：对目标用户u和候选物品i的ID执行one-hot编码，对于目标用户u，其ID的one-hot编码是一个长度为M的二进制向量只有第u个元素为1，其他元素均为0；对于候选物品i，其ID的one-hot编码是一个长度为N的二进制向量只有第i个元素为1，其他元素均为0；

S3.2：对目标用户u和候选物品i的历史交互执行multi-hot编码，对于目标用户u，其历史交互的multi-hot编码是一个长度为N的二进制向量只有用户u交互过的物品ID对应的位置为1，其他位置均为0；对于候选物品i，其历史交互的multi-hot编码是一个长度为M的二进制向量只有和候选物品i有过交互行为的用户ID对应的位置为1，其他位置均为0；

S3.3：使用线性的嵌入层，将高维、稀疏的输入向量转换为低维、稠密的表示向量。