本發明專利技術公開了一種融合用戶、項目和上下文屬性信息的推薦系統優化方法，該方法通過在矩陣分解模型中融合用戶、項目和上下文的屬性信息，在個性化推薦系統中提高推薦精度。其特點是考慮用戶、項目和上下文屬性信息對總體評分、用戶興趣及項目得分的不同影響，應用于原矩陣分解模型的計算。該方法由于同時考慮了用戶、項目和上下文屬性對評分的影響，其推薦精度明顯高于僅采用了用戶項目二維評分矩陣信息的矩陣分解模型。
【技術實現步驟摘要】
本專利技術涉及，具體涉及一種考慮用戶、項目和上下文屬性信息對總體評分、用戶評分和項目得分的影響，并融入矩陣分解模型，從而對推薦系統的推薦精度進行提高的方法，適用于協同過濾推薦系統，屬于推薦系統研究的
技術介紹
推薦系統的目的是充分挖掘用戶的興趣、幫助用戶發現自己感興趣的東西。近二十年來，推薦系統得到了廣泛研究，并成功應用于各種互聯網商用系統。但是如何為用戶生成更加準確的推薦，一直是推薦系統領域研究的熱點之一。協同過濾算法是推薦系統中應用最為廣泛的算法，其中的矩陣分解模型具有優異的預測精度。傳統的矩陣分解模型SVD僅使用用戶-項目二維評分矩陣數據，存在數據源單一的缺陷。因此，很多研究者就如何在矩陣分解模型中引入其他數據信息來提高模型質量展開了研究。其中代表性的包括Yehuda Koren和Robert Bell提出的引入了隱反饋數據以及時間上下文的矩陣分解模型，Alexandros Karatzoglou等提出的引入上下文信息的 N-維張量分解模型，Steffen Rendle等提出的融合上下文信息的因式分解機模型，等等。在現有的基于矩陣分解模型的改進方法中，用戶、項目屬性信息沒有得到充分利用，而且很少有方法將用戶、項目和上下文屬性信息同時結合起來應用于矩陣分解模型來提高推薦精度。對此，本專利技術提出一種融合用戶、項目和上下文屬性信息的協同過濾推薦方法，考慮用戶、項目和上下文屬性信息對總體評分、用戶評分和項目得分的影響，并融入矩陣分解模型，從而對推薦系統的推薦精度進行提高。
技術實現思路
本專利技術要解決的技術問題為克服現有技術的局限性，提供一種融合用戶、項目和上下文屬性信息的協同過濾推薦方法，該方法在矩陣分解模型中同時融入用戶、項目和上下文屬性信息來修正預測評分的偏差，提高個性化推薦系統的推薦精度。本專利技術解決上述技術問題采用的技術方案，在矩陣分解模型中同時融入用戶、項目和上下文屬性信息來修正預測評分的偏差，提高個性化推薦系統的推薦精度；具體實現過程如下首先，對于每個用戶U，通過屬性向量轉換規則，將用戶屬性信息轉換為用戶屬性向量vu，并引入用戶屬性信息對總體評分的影響向量bUA和對項目i得分的影響向量bf'最后得到考慮用戶屬性信息后用戶u對項目i的評分偏差修正項，其公式為/ 04 yTJA\TC = Vh ( }，其中，sum O表示計算向量各個元素之和的函數；對于每個項目i，通 sum( \r)過屬性向量轉換規則，將項目屬性信息轉換為項目屬性向量Vi，并引入項目屬性信息對總體評分的影響向量bIA和對用戶u評分的影響向量bf，最后得到考慮項目屬性信息后用戶 對項目i的評分偏差修正項其公式為權利要求1.，其特征在于在矩陣分解模型中同時融入用戶、項目和上下文屬性信息來修正預測評分的偏差，提高個性化推薦系統的推薦精度；具體實現過程如下首先，對于每個用戶U，通過屬性向量轉換規則，將用戶屬性信息轉換為用戶屬性向量Vu，并引入用戶屬性信息對總體評分的影響向量bUA和對項目i得分的影響向量b[S最后得到考慮用戶屬性信息后用戶u對項目i的評分偏差修正項W ，其公式為全文摘要本專利技術公開了，該方法通過在矩陣分解模型中融合用戶、項目和上下文的屬性信息，在個性化推薦系統中提高推薦精度。其特點是考慮用戶、項目和上下文屬性信息對總體評分、用戶興趣及項目得分的不同影響，應用于原矩陣分解模型的計算。該方法由于同時考慮了用戶、項目和上下文屬性對評分的影響，其推薦精度明顯高于僅采用了用戶項目二維評分矩陣信息的矩陣分解模型。文檔編號G06F17/16GK102982107SQ20121044238公開日2013年3月20日 申請日期2012年11月8日 優先權日2012年11月8日專利技術者歐陽元新, 張秦, 李日藩, 熊璋 申請人:北京航空航天大學本文檔來自技高網...
【技術保護點】
一種融合用戶、項目和上下文屬性信息的推薦系統優化方法，其特征在于：在矩陣分解模型中同時融入用戶、項目和上下文屬性信息來修正預測評分的偏差，提高個性化推薦系統的推薦精度；具體實現過程如下：首先，對于每個用戶u，通過屬性向量轉換規則，將用戶屬性信息轉換為用戶屬性向量vu，并引入用戶屬性信息對總體評分的影響向量bUA和對項目i得分的影響向量最后得到考慮用戶屬性信息后用戶u對項目i的評分偏差修正項其公式為其中，sum()表示計算向量各個元素之和的函數；對于每個項目i，通過屬性向量轉換規則，將項目屬性信息轉換為項目屬性向量vi，并引入項目屬性信息對總體評分的影響向量bIA和對用戶u評分的影響向量最后得到考慮項目屬性信息后用戶u對項目i的評分偏差修正項其公式為對于每條評分關聯的上下文c，通過屬性向量轉換規則，將上下文屬性信息轉換為上下文屬性向量vc，并引入上下文屬性信息對總體評分的影響向量bCA、對用戶u評分的影響向量和對項目i得分的影響向量最后得到考慮上下文屬性信息后用戶u對項目i的評分偏差修正項其公式為buiCA=vc·(bCA+buCA+biCA)Tsum(vc);然后，同時考慮用戶、項目和上下文屬性信息而引入的用戶u對項目i的評分偏差修正項，融入矩陣分解模型，得到用戶u對項目i的預測評分模型：r^u,i=μ+bu+bi+pu·qiT+vu·(bUA+biUA)Tsum(vu)+vi·(bIA+buIA)Tsum(vi)+vc·(bCA+buCA+biCA)Tsum(vc)其中，μ+bu+bi+pu·qiT是矩陣分解模型的評分預測公式，μ為全局平均分，bu為用戶u的評分偏差項，bi為項目i的得分偏差項，pu是用戶u的隱特征向量，qi是項目i的隱特征向量，bu、bi、pu、qi、bUA、bIA、bCA、均為模型參數；最后，使用隨機梯度下降法最小化損失函數：J=12Σ(u,i)∈K(μ+bu+bi+pu·qiT+vu(bUA+biUA)Tsum(vu)+vi(bIA+buIA)Tsum(vi)+vc·(bCA+buCA+biCA)Tsum(vc)-ru,i)2+λ12(bu2+bi2)+λ22(||pu||2+||qi||2)+λ32(||bUA||2+||bIA||2+||bCA||2)+λ42(||biUA||2+||buIA||2)+λ52(||buCA||2+||buCA||2)進行迭代計算，得到模型參數的最佳值。FDA00002371810400011.jpg,FDA00002371810400012.jpg,FDA00002371810400013.jpg,FDA00002371810400014.jpg,FDA00002371810400015.jpg,FDA00002371810400016.jpg,FDA00002371810400017.jpg,FDA00002371810400018.jpg,FDA00002371810400019.jpg,FDA000023718104000112.jpg,FDA000023718104000113.jpg,FDA000023718104000114.jpg...
【技術特征摘要】
【專利技術屬性】
技術研發人員：歐陽元新，張秦，李日藩，熊璋，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。