(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 202210895742.X (22)申请日 2022.07.27 (71)申请人 华南农业大 学 地址 510642 广东省广州市天河区五山路 483号 (72)发明人 高月芳　黄梓源　黄镇伟　关灿荣　 黄玲　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 李君 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06F 17/16(2006.01) G06Q 10/06(2012.01)G06Q 10/10(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于宽度学习的协同滤波推荐方法、 系统、 设备及介质 (57)摘要 本发明公开了一种基于宽度学习的协同滤 波推荐方法、 系统、 设备及介质， 所述方法包括： 获取训练评分矩阵， 所述训练评分矩阵包括多个 用户‑项目的评分向量； 构建宽度学习系统与协 同滤波结合的网络， 所述网络包括预处理部分和 宽度学习系统； 将训练评分矩阵输入 所述网络进 行训练； 获取待评分矩阵； 将待评分矩阵输入训 练好的所述网络， 得到相应的推荐结果。 本发明 构建的宽度学习系统与协同滤波结合的网络， 只 需消耗相对较短的训练时间和存储相对较少的 数据， 便能够捕获用户与项目之间的非线性关 系， 从而取得令人满意的推荐结果。 权利要求书2页 说明书15页 附图3页 CN 115114535 A 2022.09.27 CN 115114535 A 1.一种基于 宽度学习的协同滤波推荐方法， 其特 征在于， 所述方法包括： 获取训练评分矩阵， 所述训练评分矩阵包括多个用户 ‑项目的评分向量； 构建宽度学习系统与协同滤波结合的网络， 所述网络包括预处理部分和宽度学习系 统； 将训练评分矩阵输入所述网络进行训练； 获取待评分矩阵； 将待评分矩阵输入训练好的所述网络， 得到相应的推荐结果。 2.根据权利要求1所述的协同滤波推荐方法， 其特征在于， 所述将训练评分矩阵输入所 述网络进行训练， 具体包括： 在预处理部分中， 将训练评分矩阵预处理成评分协同向量的形式和评分one ‑hot向量 的形式， 以获得 预处理后的训练评分矩阵； 将预处理后的训练评分矩阵输入宽度学习 系统进行训练； 所述宽度学习 系统包括映射特 征层、 增强特 征层和输出层； 所述映射特 征层、 增强特 征层使用ReLu作为非线性特 征增强函数。 3.根据权利要求2所述的协同滤波推荐方法， 其特征在于， 在训练宽度 学习系统 的过程 中， 将预处 理后的训练评分矩阵转换成输入矩阵； 将输入矩阵转换成映射特 征矩阵； 将映射特 征矩阵转换成增强特 征矩阵； 连接映射特 征矩阵和 增强特征矩阵， 以映射得到 输出矩阵。 4.根据权利要求2所述的协同滤波推荐方法， 其特征在于， 所述预处理后的训练评分矩 阵， 如下式： 其中， 包括多个用户‑项目的评分协同向量和评分on e‑hot向量， 表示用户 ‑项目的 评分协同向量， 表示用户 ‑项目的评分one ‑hot向量， Ru,i表示用户 ‑项目的评分向量， 每 个用户用u表示， 每 个项目用i表示。 5.根据权利要求3所述的协同滤波推荐方法， 其特征在于， 所述连接映射特征矩阵和增 强特征矩阵， 以映射得到 输出矩阵， 如下式： Y＝[Zn|Hm]W 其中， 表示唯一可训练的权重矩阵， Zn表示映射特征矩阵， Hm表示增强 特征矩阵。 6.根据权利要求5所述的协同滤波推荐方法， 其特征在于， 所述唯一可训练的权重矩阵 由伪逆算法求 解而得。 7.根据权利要求2和4任一项所述的协同滤波推荐方法， 其特征在于， 评分协同向量， 如 下式： 其中， 表示所述评分协同向量， k+L表示所述评分协同向量的数据维度， 表示处理权　利　要　求　书 1/2 页 2 CN 115114535 A 2后的第一条目， 表示处理后的第二条目； 所述处理后的第一条目， 如下式： 其中， u*表示对项目i评分过的最近用户， 表示处理后的第一条目， 表示第一 条目， 即 对项目i的评分， a表示第一预设评分， 表示用户u的第j个最近用户， 所述处理后的第二条目， 如下式： 其中， i*表示被用户u评论过的项目i的最近项目， 表示处理后的第二条目， 表示第二条目， 即用户u对 的评分， b表示第二预设评分， 表示项目i的第j个最接近项 目， 8.一种基于 宽度学习的协同滤波推荐系统， 其特 征在于， 所述系统包括： 第一获取单元， 用于获取训练评分矩阵， 所述训练评分矩阵包括多个用户 ‑项目的评分 向量； 构建单元， 用于构建宽度学习系统与协同滤波结合的网络， 所述网络包括预处理部分 和宽度学习 系统； 训练单元， 用于将训练评分矩阵输入所述网络进行训练； 第二获取 单元， 用于获取待评分矩阵； 推荐单元， 用于将待评分矩阵输入训练好的所述网络， 得到相应的推荐结果。 9.一种计算机设备， 包括处理器以及用于存储处理器可执行程序的存储器， 其特征在 于， 所述处理器执行存储器存储的程序时， 实现权利要求 1‑7任一项所述的协同滤波推荐方 法。 10.一种存储介质， 存储有程序， 其特征在于， 所述程序被处理器执行时， 实现权利要求 1‑7任一项所述的协同滤波推荐方法。权　利　要　求　书 2/2 页 3 CN 115114535 A 3