评分预测方法、推荐方法、处理装置及存储介质制造方法及图纸

本发明专利技术实施例涉及数据处理技术领域，公开了一种评分预测方法包括：获取多个用户对多个项目的评分，所述多个用户对多个项目的评分包括：所述目标用户对至少一个所述非目标项目的评分、以及至少一个所述非目标用户对所述目标项目的评分；根据所述多个用户对多个项目的评分生成距离矩阵，其中，所述距离矩阵包括根据所述多个用户对多个项目的评分计算得到的所述多个用户与所述多个项目之间的距离；将所述距离矩阵输入预先训练好的深度神经网络中得到预测评分矩阵，所述预测评分矩阵至少包括：所述目标用户对所述目标项目的预测评分。本发明专利技术中评分预测方法、推荐方法、处理装置及存储介质，能够提高模型预测评分的准确性。

【技术实现步骤摘要】
评分预测方法、推荐方法、处理装置及存储介质
本专利技术实施例涉及数据处理
，特别涉及一种评分预测方法、推荐方法、处理装置及存储介质。
技术介绍
随着信息技术的不断发展，人们工作生活所需要的各种服务和产品基本都能在互联网上得到满足。随着这种趋势的不断演变，互联网所提供的服务和产品的种类也越来越多，给人们带来更多选择的同时，也催促着信息过载现象的产生。在信息过载时代，互联网用户会发现很难从各种各样的产品和服务中做出选择。在这种情况下，推荐系统应运而生，并随着人们的需求不断发展提升。而评分预测不仅能给用户推荐其可能感兴趣的物品，也能让提供物品的电商或其他服务平台更精准的了解不同物品在用户中的评分口碑，捕捉大众兴趣风向，以此提升平台服务质量。然而，专利技术人发现现有技术中至少存在如下问题：现有模型预测评分方法在历史数据稀疏的情况下，得到的预测评分的准确性较低。
技术实现思路
本专利技术实施方式的目的在于提供一种评分预测方法、推荐方法、处理装置及存储介质，能够提高模型预测评分的准确性。为解决上述技术问题，本专利技术的实施方式提供了一种评分预测方法，包括：获取多个用户对多个项目的评分，其中，所述多个用户包括目标用户和非目标用户，所述多个项目包括：目标项目和非目标项目；所述多个用户对多个项目的评分包括：所述目标用户对至少一个所述非目标项目的评分、以及至少一个所述非目标用户对所述目标项目的评分；根据所述多个用户对多个项目的评分生成距离矩阵，其中，所述距离矩阵包括根据所述多个用户对多个项目的评分计算得到的所述多个用户与所述多个项目之间的距离；将所述距离矩阵输入预先训练好的深度神经网络中得到预测评分矩阵，所述预测评分矩阵至少包括：所述目标用户对所述目标项目的预测评分。另外，所述根据所述多个用户对多个项目的评分生成距离矩阵，包括：获取预设评分上限值；利用所述预设评分上限值减去每个所述评分，得到所述多个用户与所述多个项目之间的距离以形成所述距离矩阵。另外，所述预先训练好的深度神经网络包括：第一神经网络和第二神经网络；所述将所述距离矩阵输入预先训练好的深度神经网络中得到预测评分矩阵，包括：将所述距离矩阵中每个所述用户与所有项目的距离输入所述第一神经网络得到每个所述用户的预测特征向量，并将所述距离矩阵中每个所述项目与所有用户的距离输入所述第二神经网络得到每个所述项目的预测特征向量；根据每个所述用户的预测特征向量以及每个所述项目的预测特征向量，计算每个所述用户与每个所述项目的预测距离；根据每个所述用户与每个所述项目的预测距离得到所述预测评分矩阵。另外，所述计算每个所述用户与每个所述项目的预测距离包括：根据每个所述用户的预测特征向量以及每个所述项目的预测特征向量得到初始距离；将所述初始距离加上所述用户的偏置项、所述项目的偏置项以及全局偏置项得到所述预测距离；其中，所述用户的偏置项以及所述项目的偏置项通过训练得到，所述全局偏置项为所述距离矩阵中所有距离的均值。另外，所述预先训练好的深度神经网络的损失函数值L通过以下公式计算：其中，u表示所述用户、i表示所述项目、Yui表示所述用户与所述项目的实际距离、Y’表示所述用户与所述项目的预测距离、Dmax表示所述距离矩阵中所有距离的最大值、α和N为常数。另外，所述用户的预测特征向量和所述项目的预测特征向量均为多维向量；在训练所述深度神经网络的过程中，丢弃所述用户的预测特征向量以及所述项目的预测特征向量中部分维度的向量值。另外，所述项目为微博话题，所述评分为用户对所述微博话题的兴趣度，其中，所述兴趣度为所述微博话题下所述用户发布的微博总数、与所述微博话题下发表微博数目最多的用户发表的最大微博总数的比值。本专利技术的实施方式还提供了一种处理装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述评分预测方法；或者，执行上述推荐方法。本专利技术的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述评分预测方法；或者，实现上述推荐方法。本专利技术实施方式相对于现有技术而言提供了一种评分预测方法，通过获取多个用户对多个项目的评分，其中，多个用户包括目标用户和非目标用户，多个项目包括：目标项目和非目标项目；多个用户对多个项目的评分包括：目标用户对至少一个非目标项目的评分、以及至少一个非目标用户对目标项目的评分。之后，根据多个用户对多个项目的评分生成距离矩阵，其中，距离矩阵包括根据多个用户对多个项目的评分计算得到的多个用户与多个项目之间的距离。当获取到的多个用户对多个项目的评分数据较少时，由于将多个用户对多个项目的评分转换为多个用户与多个项目之间的距离后，所得到的距离矩阵中的数据更加稠密，如此，利用上述距离矩阵输入预先训练好的深度神经网络中得到的预测评分矩阵中，目标用户对目标项目的评分预测结果更加准确。且由于本实施例的评分预测方法对于评分数据的数据量要求不高，因此，不论是针对数据密集的场景，还是数据稀疏的场景都能够达到较为准确的预测结果，对于不同场景下预测结果的稳定性较佳，通用性较好。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是根据本专利技术第一实施方式的评分预测方法中的流程示意图；图2是根据本专利技术第二实施方式的推荐方法中的流程示意图；图3是根据本专利技术第三实施方式的处理装置的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。本专利技术的第一实施方式涉及一种评分预测方法，本实施方式的核心在于通过获取多个用户对多个项目的评分，其中，多个用户包括目标用户和非目标用户，多个项目包括：目标项目和非目标项目；多个用户对多个项目的评分包括：目标用户对至少一个非目标项目的评分、以及至少一个非目标用户对目标项目的评分。之后，根据多个用户对多个项目的评分生成距离矩阵，其中，距离矩阵包括根据多个用户对多个项目的评分计算得到的多个用户与多个项目之间的距离。当获取到的多个用户对多个项目的评分数据较少时，由于将多个用户对多个项目的评分转换为多个用户与多个项目之间的距离后，所得到的距离矩阵中的数据更加稠密，如此，利用上述距离矩阵输入预先训练好的深度神经网络中得到的预测评分矩阵中，目标用户对目标项目的评分预测结果更加准确。且由于本实施例的评分预测方法对于评分数据的数据量要求不高，因此，不论是针对数据密集的场本文档来自技高网...

【技术保护点】
1.一种评分预测方法，其特征在于，包括：/n获取多个用户对多个项目的评分，其中，所述多个用户包括目标用户和非目标用户，所述多个项目包括：目标项目和非目标项目；所述多个用户对多个项目的评分包括：所述目标用户对至少一个所述非目标项目的评分、以及至少一个所述非目标用户对所述目标项目的评分；/n根据所述多个用户对多个项目的评分生成距离矩阵，其中，所述距离矩阵包括根据所述多个用户对多个项目的评分计算得到的所述多个用户与所述多个项目之间的距离；/n将所述距离矩阵输入预先训练好的深度神经网络中得到预测评分矩阵，所述预测评分矩阵至少包括：所述目标用户对所述目标项目的预测评分。/n

【技术特征摘要】
1.一种评分预测方法，其特征在于，包括：
获取多个用户对多个项目的评分，其中，所述多个用户包括目标用户和非目标用户，所述多个项目包括：目标项目和非目标项目；所述多个用户对多个项目的评分包括：所述目标用户对至少一个所述非目标项目的评分、以及至少一个所述非目标用户对所述目标项目的评分；
根据所述多个用户对多个项目的评分生成距离矩阵，其中，所述距离矩阵包括根据所述多个用户对多个项目的评分计算得到的所述多个用户与所述多个项目之间的距离；
将所述距离矩阵输入预先训练好的深度神经网络中得到预测评分矩阵，所述预测评分矩阵至少包括：所述目标用户对所述目标项目的预测评分。


2.根据权利要求1所述的评分预测方法，其特征在于，所述根据所述多个用户对多个项目的评分生成距离矩阵，包括：
获取预设评分上限值；
利用所述预设评分上限值减去每个所述评分，得到所述多个用户与所述多个项目之间的距离以形成所述距离矩阵。


3.根据权利要求1所述的评分预测方法，其特征在于，所述预先训练好的深度神经网络包括：第一神经网络和第二神经网络；
所述将所述距离矩阵输入预先训练好的深度神经网络中得到预测评分矩阵，包括：
将所述距离矩阵中每个所述用户与所有项目的距离输入所述第一神经网络得到每个所述用户的预测特征向量，并将所述距离矩阵中每个所述项目与所有用户的距离输入所述第二神经网络得到每个所述项目的预测特征向量；
根据每个所述用户的预测特征向量以及每个所述项目的预测特征向量，计算每个所述用户与每个所述项目的预测距离；
根据每个所述用户与每个所述项目的预测距离得到所述预测评分矩阵。


4.根据权利要求3所述的评分预测方法，其特征在于，所述计算每个所述用户与每个所述项目的预测距离包括：
根据每个所述用户的预测特征向量以及每个所述项目的预测特征向量得到初始距离；
将所述初始距离加上所述用户的偏置项、所述项目的偏置项以及全局偏置项得到所述...

【专利技术属性】
技术研发人员：过弋，钱梦薇，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31