一种基于项目的迁移学习推荐方法及其推荐装置制造方法及图纸

本发明专利技术公开了一种基于项目的迁移学习推荐方法及其推荐装置，迁移学习推荐方法包括：分别建立辅助域和目标域的用户-项目评分矩阵；标准化辅助域和目标域的用户-项目评分矩阵；分解标准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵；利用项目特性矩阵扩充目标域的用户-项目评分矩阵；根据扩充后的目标域的用户-项目评分矩阵生成推荐。迁移学习推荐装置包括：建立模块、标准化模块、获取模块、扩充模块、以及推荐模块。本发明专利技术更准确更合理的为用户推荐所需项目，使其更个性化和智能化，提升用户使用效率，有效节约用户时间，提高相关产业的服务质量，并有效解决互联网信息过载的问题；可以提高用户-项目评分矩阵的稠密度和准确度。

【技术实现步骤摘要】

本专利技术涉及人工智能，数据挖掘，推荐系统，知识推荐，迁移学习等领域，尤其涉及一种基于项目的迁移学习推荐方法。
技术介绍
推荐系统是由外国学者首先提出的，它通常包括三大部分：用户信息收集和偏好分析部分、推荐算法部分和推荐实施部分。其中推荐算法部分是整个推荐系统的核心，它通常可分为三种：基于内容的推荐算法(Content-BasedRecommendationAlgorithm)、协同过滤推荐算法(CollaborativeFilteringRecommendationAlgorithm)和混合推荐算法(HybridRecommendationAlgorithm)。其中协同过滤推荐算法目前应用较为广泛。基于内容的推荐算法结合概率统计，机器学习等技术，利用用户信息建立用户模型来表示用户偏好，利用资源信息建立资源模型表示资源特征，将用户偏好与资源特征进行比较，生成推荐。基于内容的推荐算法具有独立性和透明性的优点，它不需要过分依赖其他用户的意见，即使系统中只有一个用户也可以为用户进行推荐，即使新增某一资源也可以在得到该资源特征后将其推荐给用户。但基于内容的推荐算法在提取资源的特征时较为困难，尤其是视频等，这使得它在应用时收到了一定的限制。协同过滤推荐算法是1992年由Goldberg、Necols、Oki及Terry等人提出的。也是目前最流行最成熟的推荐算法。协同过滤算法的主要思想有：和某用户相似的用户喜欢的资源，该用户很可能也喜欢；某用户喜欢某资源，他很可能也喜欢与该资源相似的其他资源。即用户们可以齐心协力通过自己在网站上的行为，如对资源的评价、浏览等，互相帮助挖掘过滤出自己感兴趣的内容。协同过滤推荐算法自动化程度高不过分依赖人为的干预，同时能够处理非结构化的对象。但却有冷启动的问题，当新用户或新项目加入时很难做出正确的推荐。协同过滤推荐算法又可分为基于用户的协同过滤算法，基于项目的协同过滤算法和基于模型的协同过滤算法。其中，基于项目的协同过滤推荐算法主要研究项目与项目之间的相似性关系，根据用户原有的项目喜好，挑选出相似项目，生成推荐。它适合项目较少而用户较多的环境，对于每个项目具有的有效评价和信息越多就越容易准确找到项目与项目之间的相似性关系。知识推荐是推荐系统的一种，即推荐的内容为知识。它目前研究仍处于起步阶段，并且大多数研究都基于在线网络学习平台。JieLu曾提出个性化学习推荐系统的框架，为不同风格、需求、背景的学生提供合适其学习的材料。Chih-Ming和他的同事们曾提出一个基于项目反应理论的个性化网络学习系统，将学习者的信息和课程的信息独立存储在数据库中。综上来看，在线网络学习平台中个性化建设已经得到了研究者的充分重视，并相应的展开一些研究，但这些研究主要集中在通过学习者学习记录，定位学习者正在学习的知识资源。而仅给学习者推荐同一类型，同等水平，与所学知识及其相近的知识，难以满足学习者学习要求的，同时也无法进一步挖掘学习者的兴趣与潜力。
技术实现思路
本专利技术提供了一种基于项目的迁移学习推荐方法及其推荐装置，本专利技术提高了推荐算法的精确度，推动建设更加智能化个性化的互联网环境，详见下文描述：一种基于项目的迁移学习推荐方法，所述迁移学习推荐方法包括以下步骤：分别建立辅助域和目标域的用户-项目评分矩阵；标准化辅助域和目标域的用户-项目评分矩阵；分解标准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵；利用项目特性矩阵V扩充目标域的用户-项目评分矩阵；根据扩充后的目标域的用户-项目评分矩阵生成推荐。其中，所述标准化辅助域和目标域的用户-项目评分矩阵具体为：若辅助域的用户-项目评分矩阵为二元评分，目标域的用户-项目评分矩阵为数值型评分，将目标域的用户-项目评分矩阵转化为0-1区间的数值型评分；若辅助域的用户-项目评分矩阵为二元评分，目标域的用户-项目评分矩阵为a-b区间数值型评分，将目标域的用户-项目评分矩阵中的某一评分x转化为(x-a)/(b-a)。其中，所述分解标准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵具体为：采用规范化的奇异值分解方法分解标准化后的辅助域的用户-项目评分矩阵Raux；Raux＝μ+bi+bj+UiVj分解为全局平均值μ、用户偏差bi、项目偏差bj、用户特性矩阵U以及项目特性矩阵V；其中，矩阵U的第i行向量Ui为用户i的特性；项目特性矩阵V的第j行向量Vj为项目j的特性。其中，所述利用项目特性矩阵V扩充目标域的用户-项目评分矩阵具体为：分解目标域的用户-项目评分矩阵的目标函数为：其中，为损失函数；R^ij=μ+bi+bj+Ui(αVjT+(1-α)VjT)]]>为Rij的估计值；α为学习速率；Yij为指示矩阵，若用户i评价过项目j则Yij＝1，否则Yij＝0；为正规化项，防止目标域评分矩阵分解过程中出现过拟合；αu、αv、βu和βv均为梯度学习速率。一种基于项目的迁移学习推荐装置，所述迁移学习推荐装置包括：建立模块，用于分别建立辅助域和目标域的用户-项目评分矩阵；标准化模块，用于标准化辅助域和目标域的用户-项目评分矩阵；获取模块，用于分解标准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵；扩充模块，用于利用项目特性矩阵V扩充目标域的用户-项目评分矩阵；推荐模块，用于根据扩充后的目标域的用户-项目评分矩阵生成推荐。本专利技术提供的技术方案的有益效果是：本专利技术利用迁移学习的技术对用户-项目评分矩阵进行填充，较好的评分预测效果，从而更准确更合理的为用户推荐所需项目，使其更个性化和智能化，提升用户使用效率，有效节约用户时间，提高相关产业的服务质量，并有效解决互联网信息过载的问题；可以提高用户-项目评分矩阵的稠密度和准确度，从而进一步提高推荐的准确率。附图说明图1为一种基于项目的迁移学习推荐方法的流程图；图2为本方法相比于PMF的MAE提升率的示意图；图3为本方法相比于PMF的RMSE提升率的示意图；图4为一种基于项目的迁移学习推荐装置的结构示意图。附图中，各标号所代表的部件列表如下：1：建立模块；2：标准化模块；3：获取模块；4：扩充模块；5：推荐模块。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。迁移学习的研究工作主要有：“迁移什么”、“如何迁移”以及“何时迁移“。它的主要目的是通过已知领域的数据信息帮助提高其他领域问题，降低数本文档来自技高网...

【技术保护点】
一种基于项目的迁移学习推荐方法，其特征在于，所述迁移学习推荐方法包括以下步骤：分别建立辅助域和目标域的用户‑项目评分矩阵；标准化辅助域和目标域的用户‑项目评分矩阵；分解标准化后的辅助域的用户‑项目评分矩阵，获取项目特性矩阵；利用项目特性矩阵V扩充目标域的用户‑项目评分矩阵；根据扩充后的目标域的用户‑项目评分矩阵生成推荐。

【技术特征摘要】
1.一种基于项目的迁移学习推荐方法，其特征在于，所述迁移学习推荐方法包括以下
步骤：
分别建立辅助域和目标域的用户-项目评分矩阵；标准化辅助域和目标域的用户-项目
评分矩阵；
分解标准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵；
利用项目特性矩阵V扩充目标域的用户-项目评分矩阵；根据扩充后的目标域的用户-
项目评分矩阵生成推荐。
2.根据权利要求1所述的一种基于项目的迁移学习推荐方法，其特征在于，所述标准化
辅助域和目标域的用户-项目评分矩阵具体为：
若辅助域的用户-项目评分矩阵为二元评分，目标域的用户-项目评分矩阵为数值型评
分，将目标域的用户-项目评分矩阵转化为0-1区间的数值型评分；
若辅助域的用户-项目评分矩阵为二元评分，目标域的用户-项目评分矩阵为a-b区间
数值型评分，将目标域的用户-项目评分矩阵中的某一评分x转化为(x-a)/(b-a)。
3.根据权利要求1所述的一种基于项目的迁移学习推荐方法，其特征在于，所述分解标
准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵具体为：
采用规范化的奇异值分解方法分解标准化后的辅助域的用户-项目评分矩阵Raux；
Raux＝μ+bi+bj+UiVj分解为...

【专利技术属性】
技术研发人员：于瑞国，毛洪玥，喻梅，王建荣，于健，赵满坤，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12