技術(shù)特征：

1.一種面向多屬性評分系統(tǒng)的評分預(yù)測方法，其特征在于，包括以下步驟：

S1：輸入數(shù)據(jù)：收集用戶對商品的多個屬性的評分，輸入多個屬性的評分?jǐn)?shù)據(jù)；

S2：構(gòu)建模型：利用具有U、C、A三個維度的三維張量表達多屬性評分信息，其中：U表示用戶，C表示商品，A表示商品的屬性；

S3：設(shè)置參數(shù)，得到初始化矩陣

基于典范分解模型，將多屬性的評分張量分解為三個二維矩陣和一個三維對角張量的乘積，如公式(1)所示：

$\hat{F}\≈\hat{T}{\×}_u\hat{U}{\×}_c\hat{C}{\×}_a\hat{A}---\left(1\right)$

公式(1)中，為三維對角張量，即對角線上元素為1，其余元素都為0；

矩陣為|U|×k_r維，|U|表示用戶個數(shù)；

矩陣為|C|×k_r維，|C|表示商品個數(shù)；

矩陣為|A|×k_r維，|A|表示屬性個數(shù)；

k_r是一個大于0的正整數(shù)，表示張量分解的維度大?。?/p>

S4：張量分解，計算得到中間矩陣計算目標(biāo)函數(shù)的值，若目標(biāo)函數(shù)未收斂或未達到迭代次數(shù)上限，使用隨機梯度下降法更新矩陣每次更新后重新計算目標(biāo)函數(shù)的值，直到目標(biāo)函數(shù)收斂或者達到迭代次數(shù)上限時停止，得到中間矩陣

S5：張量填充，完成評分預(yù)測：根據(jù)步驟S4分解得到的中間矩陣采用典范分解模型，計算用戶對商品各個屬性的評分，實現(xiàn)多屬性評分張量的填充。

2.根據(jù)權(quán)利要求1所述的一種面向多屬性評分系統(tǒng)的評分預(yù)測方法，其特征在于：步驟S1中，多個屬性的評分包括用戶對商品的價格、服務(wù)多個屬性的評分。

3.根據(jù)權(quán)利要求1所述的一種面向多屬性評分系統(tǒng)的評分預(yù)測方法，其特征在于：所述評分?jǐn)?shù)據(jù)由一個或多個公共網(wǎng)站進行收集歸納。

4.根據(jù)權(quán)利要求1所述的一種面向多屬性評分系統(tǒng)的評分預(yù)測方法，其特征在于：步驟S3中，張量中的元素為

其中，

表示編號為u的用戶對編號為c的商品的第a個屬性的評分。

5.根據(jù)權(quán)利要求1所述的一種面向多屬性評分系統(tǒng)的評分預(yù)測方法，其特征在于：步驟S3中，設(shè)置的參數(shù)包括：迭代次數(shù)上限N、梯度下降參數(shù)λ、正則化參數(shù)β以及張量典范分解維度k_r。

6.根據(jù)權(quán)利要求1所述的一種面向多屬性評分系統(tǒng)的評分預(yù)測方法，其特征在于：步驟S4包括S41，步驟S41為計算目標(biāo)函數(shù)的值，

其中，目標(biāo)函數(shù)計算的具體方法為：考慮張量中存在的非0評分信息，設(shè)計目標(biāo)函數(shù)的形式如公式(3)：

$Loss(\hat{F},\hat{Y})=\mathrm{argmin}\[l(\hat{F},\hat{Y})+\frac{\mathrm{\β}}{2}\left(\right|\left|\hat{U}\right|{|}^2+\left|\right|\hat{C}|{|}^2+|\left|\hat{A}\right|{|}^2)\]---\left(3\right)$

其中，為損失函數(shù)，

表示已知的真實的多屬性評分張量，缺失值用0表示；中的元素表示中的真實評分值，

是根據(jù)公式(2)計算得到的預(yù)測評分，

表示權(quán)重張量，中的元素取值為1或者0，當(dāng)的值不為0時，當(dāng)的值等于0，

為防止過度擬合添加的正則項，β為正則參數(shù)。

7.根據(jù)權(quán)利要求6所述的一種面向多屬性評分系統(tǒng)的評分預(yù)測方法，其特征在于：經(jīng)步驟S41得到的目標(biāo)函數(shù)若未收斂或未達到迭代次數(shù)上限，則步驟S4中還包括S42，步驟S42為使用SGD方法，利用公式(4)對步驟S41得到的目標(biāo)函數(shù)的值進行更新，公式(4)如下所示：

其中表示的是真實值與預(yù)測值之間的誤差，λ為梯度下降參數(shù)；每次更新后重復(fù)步驟S41，重新計算目標(biāo)函數(shù)的值，直到目標(biāo)函數(shù)收斂或者達到迭代次數(shù)上限時停止，得到中間矩陣