基于稳定神经协同过滤的用户-商品偏好预测系统和方法技术方案

本发明专利技术提供了基于稳定神经协同过滤的用户‑商品偏好预测系统，包括数据预处理模块、与数据预处理模块连接的数据存储模块、分别与数据存储模块连接的参数控制模块、数据输出模块和预测结果生成模块，以及与参数控制模块连接的模型训练模块，预测结果生成模块分别与参数控制模块以及模型训练模块连接。基于上述系统，本发明专利技术还提供了基于稳定神经协同过滤的用户‑商品偏好预测方法。本发明专利技术旨在利用噪声模拟用户恶意攻击时的数据波动，通过引入指导模型辅助训练，对已知用户‑商品评分数据的内在统计规律进行分析，从而提供稳定准确的用户‑商品评分预测结果，为用户提供个性化、安全、可靠的金融产品推荐服务。

User commodity preference prediction system and method based on stable neural collaborative filtering

【技术实现步骤摘要】
基于稳定神经协同过滤的用户-商品偏好预测系统和方法
本专利技术涉及计算机数据处理
，尤其设计基于稳定神经协同过滤的用户-商品偏好预测系统和方法。
技术介绍
市面上金融理财产品种类繁多，用户淹没在诸多的选择中，无法找到满意的适合自己的金融产品，因此针对用户个人条件和喜好进行定制化的推荐就显得十分必要，现代电子商务中的推荐系统很好地解决了这一问题。在金融产品平台中，通过用户对商品的评分形成庞大的用户-商品评分矩阵，并利用评分高低来预测用户对商品的青睐程度。由于系统中用户数量巨大并且商品丰富繁多，一般而言，用户-商品评分矩阵是极为稀疏的高维度矩阵，因为每个用户不可能对所有的商品一一评分。根据在电子商务平台的历史评分，我们可以了解分析用户对商品的偏好规律，在此基础上建立有效的用户-商品偏好的预测模型。并通过用户对商品评分的仿真环境来模拟真实环境，从而为定制化的个人金融产品的推荐策略提供重要的科学依据。目前，已经有很多关于用户-商品偏好的预测方法。矩阵分解模型是推荐系统中最成功的方法之一，通过将用户和商品映射到隐特征空间，然后计算用户和商品的潜在交互来预测新的评分，随后由于深度学习算法在表征数据本质方面的优秀能力，基于深度神经网络的协同过滤方法在学习用户和商品的隐藏表示方面所取得了很好的效果。然而，由于推荐系统的开放性，近年来的诸多研究表明，基于因子分解的方法容易受到恶意用户攻击，通过对协同过滤算法及其参数的了解，例如，攻击者知道推荐系统的体系结构或合法的用户数据就可以很容易地对该系统进行攻击，降低推荐系统的性能和稳定性。攻击者一方面生成恶意的用户数据，以降低系统的性能，另一方面，他们又将自己的行为保持在正常用户附近，以避免被发现，这就导致原有的推荐算法完全无法处理来自用户的恶意攻击。由于金融行业的特殊性，对模型的稳定性和预测准确度都有较高的要求。因此，上述方法在实际应用于金融产品相关的电子商务系统中时存在很大弊端和隐患。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于稳定神经协同过滤的用户-商品偏好预测系统及方法，能够根据用户-商品的交互记录实现：构建符合金融市场环境的推荐系统，面对来自恶意用户的攻击时仍保持稳定；针对不同用户定制化的精准的金融产品预测和推荐。为了达到以上目的，本专利技术采用的技术方案为：本方案提供基于稳定神经协同过滤的用户-商品偏好预测系统，包括数据预处理模块、与所述数据预处理模块连接的数据存储模块、分别与所述数据存储模块连接的参数控制模块、数据输出模块和预测结果生成模块，以及与所述参数控制模块连接的模型训练模块，所述预测结果生成模块分别与参数控制模块以及模型训练模块连接；所述数据预处理模块，用于获取用户-商品评分数据，并对用户-商品评分数据进行预处理，并将预处理后的用户-商品评分数据输入至所述数据存储模块中；所述数据存储模块，用于存储预处理过的用户-商品评分数据、用户-商品偏好预测模型的参数以及生成的预测评分数据；所述模型训练模块，用于根据预处理后的用户-商品评分数据，构建和训练基于稳定神经协同过滤的用户-商品偏好预测模型；所述参数控制模块，用于初始化用户-商品偏好预测模型的参数，同时控制参数和用户-商品偏好预测模型的训练过程；所述预测结果生成模块，用于根据用户-商品偏好预测模型，利用用户和商品的隐特征向量生成未知的用户-商品预测评分数据，并将生成的预测评分数据存入至所述数据存储模块中；所述数据输出模块，用于输出用户和商品的隐特征表示以及未知的用户-商品预测评分数据。进一步地，所述模型训练模块包括指导模型训练单元、指导信息生成单元以及神经网络训练单元；所述指导模型训练单元，用于根据预处理后的用户-商品评分数据，训练作为指导模型且不包含噪声的非负矩阵分解模型；所述指导信息生成单元，用于根据所述非负矩阵分解模型生成指导信息；所述神经网络训练单元，用于根据生成的指导信息，构建和训练基于稳定神经协同过滤的用户-商品偏好预测模型，其中：所述用户-商品偏好预测模型包括依次连接的向量化层、噪声层、多层感知器层和全连接输出层。再进一步地，所述参数控制模块包括初始化单元和参数控制单元；所述初始化单元，用于初始化用户-商品偏好预测模型的参数；所述参数控制单元，用于向所述预测结果生成模块传递参数，以及控制用户-商品偏好预测模型的训练过程。再进一步地，所述预测结果生成模块包括参数接收单元和预测结果生成单元；所述参数接收单元，用于接收由参数控制模块传递的参数；所述预测结果生成单元，用于利用用户和商品的隐特征向量对未知的用户-商品评分做出预测。基于上述系统，本专利技术还公开了基于稳定神经协同过滤的用户-商品偏好预测方法，、包括以下步骤：S1、获取用户-商品评分数据；S2、对所述用户-商品评分数据进行预处理，并将预处理后的用户-商品评分数据进行存储；S3、根据预处理后的用户-商品评分数据，训练作为指导模型且不包含噪声的非负矩阵分解模型；S4、利用所述非负矩阵分解模型生成指导信息；S5、根据所述指导信息，构建和训练包含噪声层的基于稳定神经协同过滤的用户-商品偏好预测模型；S6、根据用户和商品的隐特征向量，利用所述用户-商品偏好预测模型生成未知的用户-商品预测评分，并对所述用户-商品预测评分进行存储；S7、输出用户和商品的隐特征表示以及未知的用户-商品预测评分，从而完成对用户-商品偏好的预测。进一步地，所述步骤S3包括以下步骤：S301、初始化参数；S302、根据预处理后的用户-商品评分数据，构建目标函数；S303、根据所述目标函数，利用梯度下降法对用户和商品的隐特征矩阵进行训练，从而完成对作为指导模型且不包含噪声的非负矩阵分解模型的训练，所述目标函数RSER(A)的表达式如下：其中，R(A)表示用户-商品评分矩阵R中用户对商品已知评分数据集合，ru,i表示用户u对商品i的评分，pu表示用户隐特征矩阵P中第u个用户对应的隐特征，qi表示金融产品隐特征矩阵Q中第i个商品对应的隐特征,λp和λQ均表示正则化因子分别作用于用户和商品的隐特征矩阵P和Q，F表示范数，表示由模型计算的用户u对商品i的预测评分，Iu,Ui分别表示用户u交互过的商品的集合和与商品i有过交互的用户的集合。再进一步地，所述步骤S4中指导信息h的表达式如下：h＝emb(pu,qi,θG)其中，pu表示用户隐特征矩阵P中第u个用户对应的隐特征，qi表示金融产品隐特征矩阵Q中第i个商品对应的隐特征，θG表示向量化的参数，emb(·)表示向量化操作。再进一步地，所述步骤S5包括如下步骤：S501、初始化参数，并构建包含噪声层的基于稳定神经协同过滤的用户-商品偏好预测模型；S502、将用户和商品的ID以及边信息依次输入至用户-商品偏好预测模型的向量化层和本文档来自技高网...

【技术保护点】
1.基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，包括数据预处理模块、与所述数据预处理模块连接的数据存储模块、分别与所述数据存储模块连接的参数控制模块、数据输出模块和预测结果生成模块，以及与所述参数控制模块连接的模型训练模块，所述预测结果生成模块分别与参数控制模块以及模型训练模块连接；/n所述数据预处理模块，用于获取用户-商品评分数据，并对用户-商品评分数据进行预处理，并将预处理后的用户-商品评分数据输入至所述数据存储模块中；/n所述数据存储模块，用于存储预处理过的用户-商品评分数据、用户-商品偏好预测模型的参数以及生成的预测评分数据；/n所述模型训练模块，用于根据预处理后的用户-商品评分数据，构建和训练基于稳定神经协同过滤的用户-商品偏好预测模型；/n所述参数控制模块，用于初始化用户-商品偏好预测模型的参数，同时控制参数和用户-商品偏好预测模型的训练过程；/n所述预测结果生成模块，用于根据用户-商品偏好预测模型，利用用户和商品的隐特征向量生成未知的用户-商品预测评分数据，并将生成的预测评分数据存入至所述数据存储模块中；/n所述数据输出模块，用于输出用户和商品的隐特征表示以及未知的用户-商品预测评分数据。/n...

【技术特征摘要】
1.基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，包括数据预处理模块、与所述数据预处理模块连接的数据存储模块、分别与所述数据存储模块连接的参数控制模块、数据输出模块和预测结果生成模块，以及与所述参数控制模块连接的模型训练模块，所述预测结果生成模块分别与参数控制模块以及模型训练模块连接；
所述数据预处理模块，用于获取用户-商品评分数据，并对用户-商品评分数据进行预处理，并将预处理后的用户-商品评分数据输入至所述数据存储模块中；
所述数据存储模块，用于存储预处理过的用户-商品评分数据、用户-商品偏好预测模型的参数以及生成的预测评分数据；
所述模型训练模块，用于根据预处理后的用户-商品评分数据，构建和训练基于稳定神经协同过滤的用户-商品偏好预测模型；
所述参数控制模块，用于初始化用户-商品偏好预测模型的参数，同时控制参数和用户-商品偏好预测模型的训练过程；
所述预测结果生成模块，用于根据用户-商品偏好预测模型，利用用户和商品的隐特征向量生成未知的用户-商品预测评分数据，并将生成的预测评分数据存入至所述数据存储模块中；
所述数据输出模块，用于输出用户和商品的隐特征表示以及未知的用户-商品预测评分数据。


2.根据权利要求1所述的基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，所述模型训练模块包括指导模型训练单元、指导信息生成单元以及神经网络训练单元；
所述指导模型训练单元，用于根据预处理后的用户-商品评分数据，训练作为指导模型且不包含噪声的非负矩阵分解模型；
所述指导信息生成单元，用于根据所述非负矩阵分解模型生成指导信息；
所述神经网络训练单元，用于根据生成的指导信息，构建和训练基于稳定神经协同过滤的用户-商品偏好预测模型，其中：
所述用户-商品偏好预测模型包括依次连接的向量化层、噪声层、多层感知器层和全连接输出层。


3.根据权利要求1所述的基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，所述参数控制模块包括初始化单元和参数控制单元；
所述初始化单元，用于初始化用户-商品偏好预测模型的参数；
所述参数控制单元，用于向所述预测结果生成模块传递参数，以及控制用户-商品偏好预测模型的训练过程。


4.根据权利要求1所述的基于稳定神经协同过滤的用户-商品偏好预测系统，其特征在于，所述预测结果生成模块包括参数接收单元和预测结果生成单元；
所述参数接收单元，用于接收由参数控制模块传递的参数；
所述预测结果生成单元，用于利用用户和商品的隐特征向量对未知的用户-商品评分做出预测。


5.基于稳定神经协同过滤的用户-商品偏好预测方法，其特征在于，包括以下步骤：
S1、获取用户-商品评分数据；
S2、对所述用户-商品评分数据进行预处理，并将预处理后的用户-商品评分数据进行存储；
S3、根据预处理后的用户-商品评分数据，训练作为指导模型且不包含噪声的非负矩阵分解模型；
S4、利用所述非负矩阵分解模型生成指导信息；
S5、根据所述指导信息，构建和训练包含噪声层的基于稳定神经协同过滤的用户-商品偏好预测模型；
S6、根据用户和商品的隐特征向量，利用所述用户-商品偏好预测模型生成未知的用户-商品预测评分，并对所述用户-商品预测评分进行存储；
S7、输出用户和商品的隐特征表示以及未知的用户-商品预测评分，从而完成对用户-商品偏好的预测。


6.根据权利要求5所述的基于稳定神经协同过滤的用户-商品偏好预测方法，其特征在于，所述步骤S3包括以下步骤：
S301、...

【专利技术属性】
技术研发人员：王庆先，张枭，陈彪，马康康，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51