[发明专利]一种融合视觉特征和用户评分的图像推荐方法

摘要

本发明公开了一种融合视觉特征和用户评分的图像推荐方法，包括：1、爬取数据集并从数据集中提取物品图像和用户对相应物品图像的评分矩阵；2、对所有采集到的物品图像利用卷积神经网络CNN进行图像视觉特征提取，得到视觉特征矩阵；3、建立预测偏好模型，利用基于元素的交替最小二乘法更新预测偏好模型；4、从最终的预测偏好模型中得到用户对所有物品图像的偏好值，将偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户。本发明将视觉特征和用户评分进行融合，从而能够提高推荐精度和实现个性化推荐。

主权项

一种融合视觉特征和用户评分的图像推荐方法，其特征是按如下步骤进行：步骤1、通过网络爬虫从网站上爬取物品图像集P和相应的物品评分数据集Q；步骤2、从所述物品图像集P中提取出N幅物品图像，从相应的物品评分数据集Q中提取出M个用户对N幅物品图像的评价信息，从而得到M个用户对N幅物品图像的评分矩阵所述评分矩阵Y中任意用户u对任意物品图像i的评分记为yui，若yui＝1表示用户u评价了物品图像i对应的物品，yui＝0表示用户u未评价物品图像i对应的物品；步骤3、对所述N幅物品图像进行归一化处理得到图像集C；步骤4、利用卷积神经网络CNN对所述图像集C中的N幅图像分别进行特征提取，得到N幅图像的视觉特征矩阵其中，T表示每幅图像的视觉特征的维度，每一列向量表示图像i所对应的视觉特征向量；步骤5、利用式(1)建立预测偏好模型：y^ui=pu·(Efi)---(1)]]>式(1)中，表示用户u的潜在特征向量，K表示潜在特征维度，表示转化矩阵，用于将图像i的视觉特征向量fi转化为嵌入向量；Efi表示图像i的潜在特征向量，表示预测的用户u对图像i的偏好；步骤6、利用基于元素的交替最小二乘法更新所述预测偏好模型；步骤6.1、利用式(2)得到损失函数L：L=Σ(u,i)∈ywui(yui-y^uik-puk(Ekfi))2+Σ(u,i)∉yci(y^uik+puk(Ekfi))2+λ(Σu=1M||pu||2+Σf=1K||Ek||2)---(2)]]>式(2)中，y表示在评分矩阵Y中有评价过的物品图像集合，wui表示在评分矩阵Y中任意用户u对任意物品图像i评分的权重，表示剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好，且puk表示用户u的潜在特征向量pu的第k维值；ci表示在评分矩阵Y中未被评价过的物品图像i的权重，λ表示L2正则化的参数，表示转化矩阵E中第k行向量；步骤6.2、定义循环变量为α，并初始化α＝0；定义最大循环次数为αmax；利用标准正态分布随机初始化第α次循环的预测偏好模型参数其中，表示第α次循环的用户u的潜在特征向量，Eα表示第α次循环的转化矩阵；步骤6.3、利用式(3)更新第α次循环时用户u的潜在特征向量pu的第k维值pukα=Σi∈yuwui(yui-y^uik)(Ekαfi)-Σi∉yuciy^uik(Ekαfi)Σi∈yuwui(Ekαf)2+Σi∉yuci(Ekαfi)2+λ---(3)]]>式(3)中，表示第α次循环时转化矩阵E中第k行向量，yu表示在评分矩阵Y中用户u评价过的物品图像集合；步骤6.4、采取逐元素的更新策略，利用式(4)更新第α次循环时转化矩阵Eα中第k行向量的第j维值Ekjα=Σ(u,i)∈y[wui(yui-y^uiαk)pukαfij+(pukα)2(q^ikαjfij)]-Σ(u,i)∉y[ci(yui-y^uiαk)pukαfij+(pukα)2(q^ikαjfij)]Σ(u,i)∈y(pukα)2fij2+Σ(u,i)∉y(pukα)2fij2+λ---(4)]]>式(4)中，fij表示视觉特征矩阵F中物品图像i的第j维特征值，表示在第α次循环时转化矩阵Eα的第k行向量中，剔除视觉特征矩阵F中物品图像i的第j维值后的潜在特征值；在第α次循环时剔除转化矩阵E中第k行向量后，任意用户u对任意物品图像i的偏好；步骤6.5、将α+1赋值给α，并判断α＞αmax是否成立，若成立，则表示获得最优预测偏好模型参数否则，返回步骤6.3执行；步骤7、根据所述最优预测偏好模型参数利用式(5)预测得到用户u对所有物品图像的偏好集合y^u=puαmax(EαmaxF)---(5)]]>式(5)中，表示第αmax次循环时转化矩阵，表示第αmax次循环时用户u的潜在特征向量；步骤8、对所述用户u对所有物品图像的偏好集合中的偏好值进行降序排序，并选取前top个偏好值所对应的物品图像推荐给用户u。