迭代副信息指导下基于关联关系学习的协同过滤方法及装置与流程

技术特征：
1.一种迭代副信息指导下基于关联关系学习的协同过滤方法，将1)构建m个用户与n个物品之间的评分记录矩阵r0，其中评分记录矩阵r0中包括若干真实评分记录和若干缺失评分记录；2)分别挖掘用户与物品中异质副信息之间关联关系，通过生成的用户画像矩阵p
users
及物品画像矩阵q
items
，计算用户与物品之间的偏好预测矩阵r
′
；3)基于偏好预测矩阵r
′
，生成偏好预测矩阵并利用偏好预测矩阵填充评分记录矩阵r
t
‑1中的缺失评分记录，生成评分记录矩阵r
t
，从而将偏好预测矩阵r
′
集成到评分记录矩阵r
t
中，其中t为迭代次数；4)当评分记录矩阵r
t
‑1中的各真实评分记录与偏好预测矩阵中的相应预测评分记录满足设定时，基于训练好的偏好预测矩阵向各用户推荐物品。2.如权利要求1所述的方法，其特征在于，用户的异质副信息包括：年龄、性别和职业；物品的异质副信息包括：类别、价格和品牌。3.如权利要求1所述的方法，其特征在于，通过以下步骤生成用户画像矩阵p
users
及物品画像矩阵q
items
：1)利用异质信息网络，分别获取用户与物品中各类型异质副信息的向量表示u
j
与i
k
；2)针对向量表示u
j
与i
k
，通过注意力网络学习不同类型异质副信息的重要性，得到各异质副信息的权值；3)将权值与各向量表示u
j
或i
k
进行点乘操作，得到加权异质副信息；4)将加权异质副信息输入神经因子分解机，构建用户画像p
j
或物品画像q
k
，从而生成用户画像矩阵p
users
或物品画像矩阵q
items
。4.如权利要求3所述的方法，其特征在于，注意力网络的结构包括：多层的全连接网络。5.如权利要求3所述的方法，其特征在于，构建用户画像p
j
的公式包括：的公式包括：其中w0是全局偏置，w
a
表示的权值，v
a
与v
b
分别表示权值矩阵v的第a行和第b行，与分别表示用户j的第a个与第b个加权异质副信息，d表示异质副信息的维度，mlp是用来学习用户j与物品k的各种类型的异质副信息之间的高阶特征交互的全连接网络；构建物品画像q
k
的公式包括：的公式包括：其中w
g
表示的权值，v
g
与v
h
分别表示权值矩阵v的第g行与第h行，与分别表示物品k的第g个与第h个加权异质副信息。6.如权利要求1所述的方法，其特征在于，通过以下步骤生成的偏好预测矩阵1)将评分记录矩阵r
t
‑1输入多层感知机，生成用户对物品的偏好预测矩阵r
″
t
‑1；2)对偏好预测矩阵r
″
t
‑1与偏好预测矩阵r
′
进行元素累加，生成偏好预测矩阵7.如权利要求1所述的方法，其特征在于，生成评分记录矩阵r
t
的公式包括：r
t
←
β({p
j
}
m
({q
k
}
n
)
t
) (1
‑
β)mlp(r
t
‑1)，其中β为超参数，p
j
为第j个用户的用户画像，q
k
为第k个物品的物品画像，mlp是用来学习用户j与物品k的各种类型的异质副信息之间的高阶特征交互的全连接网络，
←
表示数据填充过程。8.如权利要求1所述的方法，其特征在于，通过以下步骤对p个用户进行q个物品的物品
推荐，其中p个用户集合∈m个用户集合，q个物品集合∈n个物品集合：1)分别获取p个用户的用户id及q个物品的物品id；2)使用各用户id及物品id从偏好预测矩阵中查找出相应的用户对物品的预测评分值；3)基于预测评分值，将q个物品推荐给p个用户。9.一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1
‑
8中任一所述方法。10.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行如权利要求1
‑
8中任一所述方法。

技术总结
本发明公开了一种迭代副信息指导下基于关联关系学习的协同过滤方法及装置，将用户与物品的异质副信息集成到评分记录矩阵；利用生成的偏好预测矩阵，对每一用户进行物品推荐。本发明通过对用户和物品的不同类型的异质副信息进行重要性区分，利用神经因子分解机挖掘各个类型的异质副信息之间的关联关系，并通过迭代的指导充分发挥用户和物品的异质副信息的作用，从而实现对用户和物品的综合理解，提高用户对物品偏好预测的准确度。高用户对物品偏好预测的准确度。高用户对物品偏好预测的准确度。


技术研发人员：代飞飞 古晓艳 王卓 钱明达 李波 王伟平
受保护的技术使用者：中国科学院信息工程研究所
技术研发日：2021.07.21
技术公布日：2021/11/29