买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及电子商务推荐系统领域，具体涉及一种基于隐式反馈的自适应降噪方法及装置，其包括获取用户对商品的隐式反馈数据，根据用户对商品的隐式反馈数据计算得到用户对与其交互过的交互商品的偏好值；根据用户对交互商品的偏好值计算得到用户对交互商品感兴趣的置信度，并计算得到所有商品的商品热度，根据商品热度计算得到用户对与其未交互过的未交互商品不感兴趣的置信度；根据商品热度构造负例集合；对用户和商品进行建模，并在采用负例集合训练时对各负例训练的权重自适应调整，以实现自适应降噪，得到准确的用户‑商品模型；基于用户‑商品模型对用户生成推荐列表，解决了隐式反馈数据的噪声干扰问题，实现自适应降噪。

主权项：1.一种基于隐式反馈的自适应降噪方法，其特征在于，包括以下步骤：获取用户对商品的隐式反馈数据，所述隐式反馈数据包括用户、商品、用户对交互商品的交互行为、交互时间戳和交互行为的频率，对于每个用户，定义与其产生过交互的商品为交互商品，与其未产生过交互的商品为未交互商品，根据所述用户对商品的隐式反馈数据计算得到每个用户对每个交互商品的偏好值；根据所述每个用户对每个交互商品的偏好值计算得到每个用户对每个交互商品感兴趣的置信度，并计算得到所有商品的商品热度，根据所述商品热度计算得到每个用户对每个未交互商品不感兴趣的置信度；根据商品热度构造负例集合；根据所有所述用户对交互商品感兴趣的置信度和用户对未交互商品不感兴趣的置信度，采用交替最小二乘法对用户和商品进行建模，并采用所述负例集合进行自适应降噪训练，得到用户-商品模型；在训练过程中，计算所述负例集合中每个负例的损失值，根据设定阈值和所述损失值将所述负例集合中的负例划分为真负例和假负例，对于所述真负例，提高其作为负例训练时的权重，对于所述假负例，降低其作为负例训练时的权重，具体包括以下步骤：S11，随机初始化用户特征向量矩阵P和商品特征向量矩阵Q，定义损失函数LossP,Q，P、Q和LossP,Q计算公式如下： ； ； ；其中，表示用户u的隐含特征向量，，n表示用户数量；表示商品i的隐含特征向量，，m表示商品数量；LossP,Q表示基于用户特征向量矩阵P和商品特征向量矩阵Q的损失值，U表示所有用户的集合，和分别表示用户u交互过和未交互过的商品的集合，表示用户对交互商品感兴趣的置信度，表示用户对未交互商品不感兴趣的置信度；reg表示正则化系数，T表示向量转置，表示范数；S12，根据当前所述用户特征向量矩阵P和所述商品特征向量矩阵Q计算所述负例集合N中每一个元素u,i的损失值，构建初始为空的真负例集合TN和假负例集合FN，对所述负例集合中的负例进行分类并保存至真负例集合TN或假负例集合FN中，具体包括：S121，所述负例集合N中每一个元素u,i的损失值计算公式如下： ；其中，lossu,i表示用户u和商品i互为负例时的损失值，表示用户u的隐含特征向量，表示商品i的隐含特征向量，T表示向量转置；S122，定义上限阈值和下限阈值，如下式所示： ； ；其中，表示下限阈值，表示下限阈值初始值，表示下限阈值更新步长，iter表示迭代次数；表示上限阈值，表示上限阈值初始值，表示上限阈值更新步长；S123，遍历所述负例集合中的负例u,i，当时，将元素u,i视为真负例并保存至所述真负例集合TN，当时，将元素u,i视为假负例并保存至所述假负例集合FN，划分后得到真负例集合TN和假负例集合FN；S13，固定所述用户特征向量矩阵P，更新所述商品特征向量矩阵Q，具体包括：S131，根据所述真负例集合TN计算第一微调矩阵，计算公式如下： ；其中，表示更新商品i的隐含特征向量的第一微调矩阵，用于增加真负例作为负例训练时的权重；表示真负例集合TN中与商品i互为负例的用户集合；iter表示当前迭代次数；TNK表示超参数；lossu,i表示用户u和商品i互为负例时的损失值；表示用户对未交互商品不感兴趣的置信度；表示用户u的隐含特征向量；S132，根据所述假负例集合FN计算第二微调矩阵，计算公式如下： ；其中，表示更新商品i的隐含特征向量的第二微调矩阵，用于降低假负例作为负例训练时的权重；表示假负例集合FN中与商品i互为负例的用户集合；iter表示当前迭代次数，MaxIter表示最大迭代次数；lossu,i表示用户u和商品i互为负例时的损失值；表示用户对未交互商品不感兴趣的置信度；表示用户u的隐含特征向量；S133，根据所述第一微调矩阵和第二微调矩阵更新所述商品i的隐含特征向量，计算公式如下： ；其中，表示商品i的隐含特征向量；和分别表示与商品i交互过和未交互过的用户的集合；表示用户对交互商品感兴趣的置信度，表示用户对未交互商品不感兴趣的置信度；表示用户u的隐含特征向量；reg表示正则化系数；E表示单位矩阵；S134，重复以上三个步骤，更新所述商品特征向量矩阵Q中所有商品的隐含特征向量；S14，固定所述商品特征向量矩阵Q，更新所述用户特征向量矩阵P，具体包括：S141，根据所述真负例集合TN计算第三微调矩阵，计算公式如下： ；其中，表示更新用户u的隐含特征向量的第三微调矩阵，用于增加真负例作为负例训练时的权重；表示真负例集合TN中与用户u互为负例的商品集合；表示商品i的隐含特征向量；S142，根据所述假负例集合FN计算第四微调矩阵，计算公式如下： ；其中，表示更新用户u的隐含特征向量的第四微调矩阵，用于降低假负例作为负例训练时的权重；表示假负例集合FN中与用户u互为负例的商品集合；表示商品i的隐含特征向量；S143，根据所述第三微调矩阵和第四微调矩阵更新所述用户u的隐含特征向量，计算公式如下： ；其中，表示用户u的隐含特征向量；和分别表示用户u交互过和未交互过的商品的集合；表示用户对交互商品感兴趣的置信度，表示用户对未交互商品不感兴趣的置信度；表示商品i的隐含特征向量；reg表示正则化系数；E表示单位矩阵；S144，重复以上三个步骤，更新所述用户特征向量矩阵P中所有用户的隐含特征向量；S15，循环执行步骤S13到步骤S14，直到LossP,Q收敛或达到最大迭代次数，得到用户-商品模型；基于所述用户-商品模型对用户生成推荐列表。

全文数据：

权利要求：

百度查询： 华侨大学 一种基于隐式反馈的自适应降噪方法及装置