CN111695024B 对象评估值的预测方法及系统、推 荐方法及系统 （北京京东尚科信息技术有限公司）

本发明公开了一种对象评估值的预测方法建用户特征向量、对象特征向量和对象评分矩征向量和对象评分矩阵作为训练样本训练aSDAE参数包括用户隐含因子向量和对象隐含因子向2从所述用户数据中查询目标用户参数，从所述对象数据中查询目标对象将经过加噪声处理的所述用户特征向量、所述对象特征向量和所述所述协同过滤模型的输出参数包括用户隐含因子向量和对象隐含因子向量；所述aSDAE模型包括用户aSDAE模型和对象所述用户隐含因子向量为所述用户aSDAE模型的中间层的输出结果与第一误所述用户隐含因子向量和所述对象隐含因子向量的乘积用于预测用户对对象的评估对所述用户特征向量、所述对象特征向量和所述对象评分矩阵进行预处理4.一种电子设备，包括存储器、处理器及存储在存储器处理器执行时实现如权利要求1-3中任一项所述的对象评估值的预测方利用如权利要求1-3中任一项所述的对象评估值的预测方法预测经过加噪声处理的用计算所述用户隐含因子向量和所述对象隐含因子向量7.一种电子设备，包括存储器、处理器及机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求6所述的推荐方处理器执行时实现如权利要求6所述的推荐方3数据获取模块，从所述用户数据中查询目标用户参数，从所述对加噪声模块，用于对所述用户特征向量、所述对象特模型训练模块，用于将经过加噪声处理的所述用户特征向量、所述对所述协同过滤模型的输出参数包括用户隐含因子向量和对象隐含因子向量；所述aSDAE模型包括用户aSDAE模型和对象所述用户隐含因子向量为所述用户aSDAE模型的中间层的输出结果与第一误所述用户隐含因子向量和所述对象隐含因子向量的乘积用于预测用户对对象的评估数据处理模块，用于对所述用户特征向量、所述对象特征向量所述计算模块用于调用所述预测系统，以预测经过加噪声处理的用户特所述排序模块用于将对象按照所述乘积由高至低的顺序进所述推荐模块用于将排序靠前的若干对象推荐给用户。4[0004]本发明要解决的技术问题是为了克服采用现有技术的协同过滤模型进行个性化[0012]所述用户隐含因子向量和所述对象隐含因子向量的乘积用于预测用户对对象的模型的每层的输出结果满足高斯分布或Diracdelt5[0016]所述用户隐含因子向量为所述用户aSDAE模型的中间层的输出结果与第一误差之[0017]所述对象隐含因子向量为所述对象aSDAE模型的中间层的输出结果与第二误差之行时实现上述任一项所述的对象评估值的预测方[0024]利用上述任一项所述的对象评估值的预测方法预测经过加噪声处理的用户特征[0035]所述用户隐含因子向量和所述对象隐含因子向量的乘积用于预测用户对对象的模型的每层的输出结果满足高斯分布或Diracdelt6[0038]函数构建模块，用于基于贝叶斯最大似然理论构建训练所述aSDAE模型的目标函[0040]所述用户隐含因子向量为所述用户aSDAE模型的中间层的输出结果与第一误差之[0041]所述对象隐含因子向量为所述对象aSDAE模型的中间层的输出结果与第二误差之[0046]所述计算模块用于调用所述预测系统，以预测经过加噪声处理的用户特征向量、aSDAE模型的各种权重参数的噪声进行高斯建模，在一定程度上有效避免过拟合现象的发78次数等)或显示反馈(如用户对某种对象的评价分值等)9[0078]将评估矩阵ReR"xn转换为第一评估值矩阵s(user)eRxm,s(ser)=对所有n种对象的评估值向量，也即评估矩阵R的行向量，以表3示出的评分矩阵R为例，"为所j服从如下高斯分布：[0085]使得和xi，yj与训练过程中模型的每一层输出结果在某种程度户隐含因子向量和对象隐含因子向量的乘积表征用户对对象的预测评估值。aSDAE模型包[0088]步骤103中基于随机梯度算法(SGD)来训练学习对象隐含因子向量和用户隐含因[0093]其中，U和V为基于矩阵分解模型得到的两个低秩(low-rank)的矩阵，R≈UVT；户aSDAE模型以作为输入的第l层结果；为用户aSDAE模型以作为输入的第I(L+1)/2」层(中间层)结果。为对象aSDAE模型以作为输入的[0095]为用户aSDAE模型以作为输入的第l层结果；为对象aSDA加入对象aSDAE模型第l层的权值参数。模型第l层的节点个数，K0＝KL＝n；设对象权重矩阵w(eRki-r的每一列n′∈{1,…[0101](b)用户特征向量的权重矩阵的每一列n∈{1,…p}为Tl服从如下分布：x+tb)以及将对象aSDAE模型的中间层加上第二误差εj，即作为模型的输出[0133]图3为本发明实施例提供的一种电子设备的结构示意图，示出了适于用来实现本[0136]存储器92可以包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存[0137]存储器92还可以包括具有一组(至少一个)程序模块924的程序工具925(或实用工应当明白，尽管图中未示出，可以结合模型生成的电子设备90使用其它硬件和/或软件模的一个单元/模块的特征和功能可以进一步划分为由多个单元/模处理器执行时实现实施例1所提供的对象评估值的预测方算时用0表示。通常对象评分矩阵R中的评分等级值可以通过用户的隐式反馈(如用户在某种对象页面的停留时长、浏览次数等)或显示反馈(如用户对某种对象的评价分值等)综合[0176]将评估矩阵ReRmxn转换为第一评估值矩阵s(user)eRnxm,s(user)=[0179]加噪声模块12分别对和分别进行加噪声处理，得到s,(se")和yeR*I=(y,…,yn"表示，相应的加噪声表示为和j服从如下高斯分布：户隐含因子向量和对象隐含因子向量的乘积表征用户对对象的预测评估值。aSDAE模型包[0188]本实施例中，基于随机梯度算法(SGD)来训练学习对象隐含因子向量和用户隐含[0193]其中，U和V为基于矩阵分解模型得到的两个低秩(low-rank)的矩阵，R≈UVT；户aSDAE模型以作为输入的第l层结果；为用户aSDAE模型以作为输入的第I(L+1)/2」层(中间层)结果。为对象aSDAE模型以作为输入的第l层结果；为对象aSDAE模型以作为输入的第I(L+1)/2]层(中间层)[0195]为用户aSDAE模型以作为输入的第l层结果；为对象aSDAE模型以作为加入对象aSDAE模型第l层的权值参数。[0201](b)用户特征向量的权重矩阵的每一列n∈{1,…p}为Tl,*n，设对象′′服从如下分布：′[0219]本实施例中，函数构建模块14基于贝叶斯最大似然理论构建训练aSD