1.一种基于正则化框架和注意力机制的推荐方法,其特征在于由下述步骤组成:(1)构建超图网络模型
1)构建超边
从Movielens数据集中选取每个用户评价过的所有项目,用超边相连,超边的数量与用户的数量相同;
2)确定超边的权重
按式(1)确定超边的权重W(ea):
式中δ(ea)是第a个超边的度,δ(emax)为最大的超边的度,δ(emin)为最小的超边的度;
3)建立项目与标签的关联性
采用二部图建立项目与标签的联系,计算标记次数,当标签对项目的标记次数大于项目被标记总数的2/3时,两者之间有强关联性;
(2)对相似度方式进行改进
按式(2)确定项目的相似度Sim(i,j):
Sim(i,j)=wSimcosine(i,j)+(1‑w)[w1Sim1(i,j)+(1‑w1)Sim2(i,j)] (2)式中Simcosine(i,j)是项目i和项目j的余弦相似度,Simcosine(i,j)的取值范围为[0,1],Sim1(i,j)是项目i和项目j基于喜欢的属性相似度,Sim2(i,j)是项目i和项目j基于不喜欢的属性相似度,Sim1(i,j)和Sim2(i,j)的取值范围为[0,1],i和j为有限的正整数,w和w1是2个融合因子,w,w1∈[0,1],按式(3)确定项目的余弦相似度Simcosine(i,j):Dij={u1,u2,...,up}
式中Rui是用户u对项目i的评分,Ruj是用户u对项目j的评分,p为有限的正整数;
按式(4)确定项目的属性相似度Sim1(i,j)以及属性相似度Sim2(i,j):式中,LAi,s是项目i对喜欢的属性s的吸引力,LAj,s是项目j对喜欢的属性s的吸引力,是项目i对喜欢属性的平均吸引力, 是项目j对喜欢属性的平均吸引力,DLAi,s是项目i对不喜欢的属性s的吸引力,DLAj,s是项目j对不喜欢的属性s的吸引力, 是项目i对不喜欢属性的平均吸引力, 是项目j对不喜欢属性的平均吸引力,k是属性的数量、为有限的正整数;
(3)确定遗忘函数
按(5)式确定遗忘函数f(tui):
式中tui表示用户u对项目i的评分时间,tmin表示用户历史访问记录中的最早时间,tmax表示用户历史访问记录中的最晚时间;
(4)构建注意力机制
按(6)式构建注意力机制Att(u,i):
式中Ni是项目i的最近邻居,Rui是用户u对项目i的原始评分,Ruj是用户u对项目j的原始评分,f(tui)是用户u对项目i的遗忘程度,f(tuj)是用户u对项目j的遗忘程度;
(5)构建并优化正则化框架
按(7)式构建并优化正则化框架Qu(f,g):
式中α、β、μ、σ是4个参数,α、β、μ、σ的取值范围为(0,1),并且α+β+μ+σ=1, w(e)为超边e的权重,h(i,e)为节点和超边的关联矩阵中的元素,若节点i在超边e中则该值为1,否则为
0,h(j,e)为节点和超边的关联矩阵中的元素,若节点j在超边e中则该值为1,否则为0,δ(e)为超边e的度,fi为项目i的分数,fj为项目j的分数,gl为标签l的分数,zii为项目i被标记的次数,zll为标签l标记项目的次数,yi为项目i的初始分数,sl为标签l的初始分数,采用梯度下降法进行优化,得到预测评分和推荐列表。
2.根据权利要求1所述的基于正则化框架和注意力机制的推荐方法,其特征在于:所述的(2)对相似度方式进行改进步骤的式(2)中,w和w1是2个融合因子,w的取值为0.3,w1的取值为0.7。
3.根据权利要求1所述的基于正则化框架和注意力机制的推荐方法,其特征在于:所述的(5)步骤中的α取值为0.2,β取值为0.07,μ取值为0.7,σ取值为0.03。