(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211140665.3 (22)申请日 2022.09.15 (71)申请人 新乡学院 地址 453003 河南省新乡市金穗大道191号 (72)发明人 穆瑞辉　张继英　王晓洁　霍佳雯　 赵甜甜　 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度属性信息融合的个性化推荐 方法 (57)摘要 本发明公开了一种基于深度属性信息融合 的个性化推荐方法， 与现有技术相比， 本发明根 据用户属性信息和物品属性信息进行编码和向 量化处理， 并采用两个独立的变分自编码器模块 分别提取用户和物品属性信息的潜在特征； 同时 使用传统的矩 阵分解算法分解用户物品历史交 互数据信息， 得到用户的偏好特征和物品对象 的 潜在特征； 然后， 将用户和物品属性信息的潜在 特征与矩 阵分解得到的用户和物品历史交互的 潜在特征融合在一起， 作为深度神经网络模块的 输入， 进行学习， 最后进行评分预测和T op‑k列表 推荐。 最后， 通过 实验比较表明， 本文提出的一种 基于深度属性信息融合的个性化推荐方法性能 优于当前的推荐方法， 提高了推荐的准确率和精 准度， 大幅度降低了推荐的误差， 能够解决传数 据稀疏性和冷启动的难题。 权利要求书3页 说明书6页 附图5页 CN 115470408 A 2022.12.13 CN 115470408 A 1.一种基于深度属性信 息融合的个性化推荐方法， 其特征在于， 假设已有用户 ‑物品评 分矩阵、 用户属性信息和物品属性信息， 包括如下步骤： 步骤1： 根据用户 ‑物品评分矩阵， 进行矩阵分解， 得到用户的隐特 征和物品的隐特 征； 步骤2： 根据用户 属性信息进行独热编码处理， 输入到用户变分自编码器模块， 得到用 户属性信息的隐特 征； 步骤3： 根据物品属性信息进行独热编码处理， 输入到物品变分自编码器模块， 得到物 品属性信息的隐特 征； 步骤4： 根据步骤1、 步骤2和步骤3得到的用户和物品的隐特征、 用户属性信息和物品属 性信息的隐特 征， 进行特征融合； 步骤5： 根据步骤4得到的融合特 征， 输入到深度神经网络模块； 步骤6： 预测目标用户对物品的评分； 步骤7： 根据步骤6得到的用户对物品的评分进行降序排列， 把预测评分最高的K个物品 推荐给目标用户， 生成推荐列表。 2.根据权利要求1所述的一种基于深度属性信 息融合的个性化推荐方法， 其特征在于： 所述步骤1中： 令U表示用户集， 且U＝{u1， u2， ...， ui， ...uM}， ui表示第i个用户， 1≤ i≤M， M表 示用户总数； 令V表示物品集， 且V＝{v1， v2， ...， vj， ...， vN}， vj表示第j个物品， 1≤j≤ N， N表 示物品总数； 令rij表示第i个用户ui对第j个物品vj的评分值， 则用户对物品的评分矩阵为R ＝{rij}M×N， 若第i个用户ui对第j个物品vj有评分， 则rij＝1， 否则rij＝0； 根据用户 ‑物品评 分矩阵， 进 行矩阵分解， 采用公式(1)作为目标函数进 行训练， 得到用户的 隐特征P和物品的 隐特征Q； 其中， R表示用户对物品对象给出的实际分值， 表示预测的用户对物品对象的分值， 即 λ表示正则化系数。 3.根据权利要求1所述的一种基于深度属性信 息融合的个性化推荐方法， 其特征在于： 所述步骤2中： 根据用户属性信息进行独热编码处理， 构造用户属性信息矩阵X＝{X1， X2， ...， Xi， ...XM}， 其中， Xi表示第i用户的N维用户属性信息向量， 该用户属性信息向量 Xi＝ [0， 1， ...， 1， ...， 0， 0]， 输入到用户变分自编码器模块， 进行学习， 得到用户属性信息的隐 特征Zu； x和 分别代表原始输入和重构后的输入， hinf和hgen代表推断网络和生成网络的隐 藏层， θu和 代表两个概率分布 和 的参数； 和 分别对应于 由θu和 参数化的生成网络和推断网络； εu是噪声变量并且维数与用户属性信息潜在表示 zu的维数一样； 用户属性信息的潜在表示zu服从高斯分布； 对于每个用户ui， 生成网络通过采样D维潜在表示 服从标准高斯先验分布， 即 样本变量xi通过其潜在 变量 生成， 是通过带有参数θu的多层神经 网络实现， 即 可以从多元伯努利分布或高斯分布生成； 我们使用KL的值来近 似估计它们的近似程度； 使用Monte  Carlo方法不断地采集样本， 通过使用重新参数化技 巧， 对数似然函数的变分下界进行估计： 在公式(3)中， εu～N(0， I)， D是相 关属性信息潜在特征的维度， L表权　利　要　求　书 1/3 页 2 CN 115470408 A 2示对于每 个样本x， 根据 总共采样L个样本 。 4.根据权利要求1所述的一种基于深度属性信 息融合的个性化推荐方法， 其特征在于： 所述步骤3中： 根据物品属性信息进行独热编码处理， 根据用户属性信息进行独热编码处 理， 构造用户属性信息矩阵Y＝{Y1， Y2， ...， Yj， ...XN}， 其中， Yj表示第j用户的M维用户属性 信息向量， 该用户属性信息向量Yj＝[1， 1， ...， 0， ...， 0， 1]， 输入到物品变分自编码器模 块， 得到物品属性信息的隐特征Zv； 物品变分自编码器模块中， 生成网络和推断网络设置与 步骤2中相同； 目标函数 可以定义如下： 在公式(4)中， εv～N(0， I)， D是潜在特征向量zv的维度； L表示对于每 个样本y， 根据 总共采样L个样本 。 5.根据权利要求1所述的一种基于深度属性信 息融合的个性化推荐方法， 其特征在于： 所述步骤4中： 根据步骤1、 步骤2和步骤3得到的用户和物品的 隐特征、 用户属性信息和物品 属性信息的隐特 征， 进行融合； 使用公式(5)得到用户U的潜在表示向量： U＝Zu+P         (5) 使用公式(6)得到物品V的潜在表示向量： V＝Zv+Q        (6) 我们将用户和物品的嵌入向量进行哈达玛积运算， 即U °V， 作为用户 ‑物品交互行为建 模， 并将此向量与用户和物品的嵌入向量进行 连接， 即Z＝[U， V， U °V]。 6.根据权利要求1所述的一种基于深度属性信 息融合的个性化推荐方法， 其特征在于： 所述步骤5中： 根据步骤4得到的结果， 输入到深度神经网络模块； Z＝[U， U °V， V]作为深度神经网络模块的输入； 第l隐藏层的输出可以使用公式(7)得 到： hl(Z)＝σ(Wlhl‑1(Z)+bl)      (7) 在公式(7)中， bl代表隐藏层l的偏置项， Wl代表隐藏层l的权重， σ( ·)代表非线性函数， 在本模型中， 采用ReLU， 即σ(x)＝max(0， x)。 7.根据权利要求1所述的一种基于深度属性信 息融合的个性化推荐方法， 其特征在于： 所述步骤6中： 根据步骤5得到的结果， 预测用户对物品的评分； 使用公式(8)得到预测评分： 在公式(8)中， n代表DNN模型的网络层 数； f(·)表示模型输出层的非线性函数， 在本模 型中， 我们采用Softmax； 深度神经网络模块的损失函数如下： 在公式(9)中， ψ代表深度神经网络的所有参数， R代表用户对物品对象给出的实际打 分， 代表预测的用户对物品对象的分值； 最后， 整个模型的最终损失函数， 如下 所示： 在公式(10)中， θu， θv和 分别表示用户属性信息模块和物 品属性信息模块的参数， Ψ表示深度神经网络模块的参数。权　利　要　求　书 2/3 页 3 CN 115470408 A 3