[发明专利]一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统及方法

权利要求书

1.一种基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统包括：

嵌入层，包含两个嵌入方程，分别用于输出两个大小为64的表示用户和物品的向量，并将用户、物品的嵌入向量送入外积层；

外积层，用于将用户、物品的嵌入向量进行外积得到用户-物品交互图，利用所述用户-物品交互图表示基于嵌入层且成对的维数关系；

卷积层，用于基于用户-物品交互图输出表示高纬度的信息的张量，并将输出的张量输出预测层；

预测层，用于利用预测函数基于输入张量进行预测，得到预测分数；

所述将用户、物品的嵌入向量进行外积得到用户-物品交互图包括：

将用户嵌入向量与物品嵌入向量进行外积，得到交互矩阵

E中的第(k₁,k₂)个元素也就是：

对E中所有成对的维数关系进行编码，得到交互图；

将预测层的对抗矩阵分解AMF与卷积协同过滤ConvNCF一同训练得到预测评分；

所述将预测层的对抗矩阵分解AMF与卷积协同过滤ConvNCF一同训练得到预测评分包括：

(1)优化模型参数：

其中，表示干扰项的预测模型，ω表示预测层中可训练的权值向量；分别表示用户u和物品i的扰动向量；

(2)给AMF的小批量训练集；给定小批量大小S；从成对训练实例集D中随机抽取S个训练实例并将小批量命名为D'；

(3)约束于的最大范数计算得到干扰向量；

(4)根据小批量D'更新预测模型的参数：

L_APR(D'|Θ)＝∑_(u,i,j)∈D'l_APR((u,i,j)|Θ)；

其中，l_APR((u,i,j)|Θ)表示训练实例(u,i,j)的最小化的局部目标函数；

(5)对于在D'中出现的每个用户和物品，使用随机梯度下降算法计算

(6)迭代步骤(4)至步骤(5)，直到预测模型AMF收敛或者验证性能开始下降为止，得到训练好的AMF，利用训练好的AMF输出预测评分；

所述成对训练实例集D包括：

其中表示用户u之前交互过的物品集合，I表示整个物品集合；

所述训练实例(u,i,j)的最小化的局部目标函数l_APR((u,i,j)|Θ)如下：

其中，

2.如权利要求1所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述卷积层包括：每个子卷积层中均有32张特征图，各子卷积层之间形成塔式结构。

3.如权利要求1所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述张量大小为1×1×32。

4.如权利要求1所述基于对抗矩阵分解的协调过滤卷积神经网络推荐系统，其特征在于，所述预测函数为：

L＝L_APR(D'|Θ)+λ₁||Θ_U||²+λ₂||Θ_I||²+λ₃||Θ_CNN||²+λ₄||ω||²；

其中，λ_*表示控制正则化的超参数，Θ_U表示用户嵌入向量方程f^U(·)中的参数，Θ_I表示物品嵌入向量方程f^I(·)中的参数，Θ_CNN表示卷积层中的参数，ω表示预测层中的参数。