基于张量分解和协同过滤的商品推荐学习模型构建方法

摘要

本发明公开了一种基于张量分解和协同过滤的商品推荐学习模型构建方法，首先获取用户对商品的历史行为数据，进行预处理，得到验证集、训练集和测试集；然后对用户、商品、行为信息进行嵌入处理，随机初始化特征向量；再根据CP分解方法计算相似度评分，设置并优化平方损失函数；最后采用多任务学习框架联合学习，调整并训练模型。本发明可用于铀矿山原材料推荐，辅助用户决策，可以在用户指标不明确、历史购买数据不足、候选原材料数量多的情况下，实现针对用户的个推荐。可以有效地减少稀疏数据造成的冷启动问题，帮助用户快速、准确地做出购买决策。在推荐精度和训练速度上达到相当可观的高度，具有实际应用的潜力。