[发明专利]一种基于用户与物品多属性交互面向隐式反馈的推荐方法

权利要求书

1.一种基于用户与物品多属性交互面向隐式反馈的推荐方法，其特征在于，包括以下步骤：

1)对用户与物品多个属性的隐式反馈交互数据进行数据变换预处理；

2)根据预处理后用户与物品每个属性的隐式反馈交互数据来初始化对应用户物品特征向量以及构造对应的用户物品交互矩阵；

3)根据每个属性的用户物品交互矩阵来更新对应的用户物品特征向量，具体过程为：首先，基于用户与物品每个属性的交互矩阵构造用户与物品对应属性的二部图邻接矩阵，然后使用多层轻量级卷积神经网络聚集用户与物品属性二部图的邻居信号来计算各层的用户物品特征向量，最后将各层获取用户物品特征向量进行加权融合来更新用户与物品对应属性的特征向量，包括以下步骤：

3.1)基于用户与物品每个属性的交互矩阵构造用户与物品对应属性的二部图邻接矩阵，其中，物品属性个数表示为F，属性f表示物品第f个属性，f取值范围为1到F，用户与物品属性f的二部图邻接矩阵表示A^f，A^f的计算公式为：

式中，G^f表示用户与物品属性f的交互矩阵，(G^f)^T表示G^f的转置矩阵，0表示全0矩阵，A^f为(m+n_f)行(m+n_f)列的方阵，其中m表示用户总数，n_f物表示属性f的属性值个数；

3.2)使用多层轻量级卷积神经网络聚集用户物品属性二部图的邻居信号来计算各层的用户物品特征向量，其中，轻量级卷积神经网络层数表示为L，E^(l,f)表示第l层用户与物品属性f的特征向量矩阵，其中l取值范围为0到L-1，E^(l+1,f)表示第l+1层用户与物品属性f的特征向量矩阵，E^(l+1,f)的计算公式为：

式中，D^f为对角矩阵，其每个对角项等于矩阵A^f中每个行向量中的非0项的个数，也被称为A^f的度矩阵，其中j取值范围为0到(m+n_f-1)；

3.3)将各层获取的用户物品特征向量进行加权融合来更新用户与物品属性f的特征向量，具体过程为：将轻量级卷积神经网络各层获取的用户物品特征向量矩阵进行融合，得到多层融合后用户与物品属性f后的特征向量矩阵E^(f)，E^(f)的计算公式如下：

式中，E^(l,f)表示第l层用户与物品属性f的特征向量矩阵，l取值范围为0到L，a_l表示通过加权求和来进行多层融合时，第l层用户与物品属性f的特征向量矩阵的权重，其通过两层前馈全连接神经网络组成的注意力网络计算获得，a_l为0到1范围内的浮点数，a_l的计算公式为：

式中，a_l'表示两层前馈全连接神经网络的输出；E^(l,f)表示第l层用户与物品属性f的特征向量矩阵；W₁^T和W₂^T分别表示第一层和第二层前馈全连接神经网络的权重矩阵，b₁、b₂分别表示与W₁^T、W₂^T对应的偏置参数；exp(a'_l)表示对a′_l进行以e为底的指数运算；f(·)表示ReLU函数，ReLU函数的自变量表示为x，其公式为：

4)对多个用户物品特征向量进行融合来获取最新的用户物品特征向量；

5)根据最新的用户物品特征向量的内积计算用户对物品的兴趣值；

6)根据用户对物品的兴趣值进行排序，生成推荐列表。