The present invention discloses a context recommendation method and device based on high-order singular value decomposition. The method includes: obtaining user rating information and corresponding context information; constructing third-order tensors corresponding to each context according to different context types; extending each third-order tensor according to expansion rules Open, get three second-order matrices; according to each second-order matrix, use singular value decomposition to determine the central tensor dimension, construct a new third-order tensor; calculate the weight of each context; according to the new third-order tensor and the corresponding context weight, construct the N-order tensor; according to the target user ID and project ID, find the target user in. The position corresponding to the N order tensor to generate the recommended list for the target user. The invention fuses the context information into the recommendation generation, and greatly improves the accuracy of the recommendation result by calculating the context weight and determining the central tensor dimension.
【技术实现步骤摘要】
基于高阶奇异值分解的上下文推荐方法及装置
本专利技术涉及一种上下文推荐方法及装置,尤其是一种基于高阶奇异值分解的上下文推荐方法及装置,属于信息推荐领域。
技术介绍
随着互联网的飞速发展,人们进入了信息过载的时代。推荐系统作为缓解“信息过载”的有效手段之一,利用已有的选择过程或相似关系挖掘每个用户潜在的兴趣对象。在许多场景下,如用户处于移动环境时,用户的偏好受到其所处位置、天气、时间等上下文因素的影响,上下文感知推荐系统通过将上下文引入推荐,可以进一步提高推荐的准确度。目前,有部分专家学者提出了将高阶奇异值分解算法引入到上下文感知推荐系统中。在使用高阶奇异值分解的过程中,中心张量维度的选择以及上下文权重的计算是决定算法准确性的关键因素,但是之前的方法没有明确指出如何确定中心张量维度,并且在计算上下文权重的时候粒度太粗,影响了计算结果的准确性。
技术实现思路
本专利技术的目的是为了解决上述现有技术的缺陷,提供了一种基于高阶奇异值分解的上下文推荐方法,该方法将上下文信息融合到推荐生成中,通过计算上下文权重以及确定中心张量维度,大大提高推荐结果的准确性。本专利技术的另一目的在于提供一种基于高阶奇异值分解的上下文推荐装置。本专利技术的目的可以通过采取如下技术方案达到:基于高阶奇异值分解的上下文推荐方法,所述方法包括:获取用户对项目的评分信息及相应的上下文信息;根据上下文类型的不同,构建对应于每个上下文的三阶张量;按照展开规则将每个三阶张量展开,得到三个二阶矩阵;根据每个二阶矩阵,确定中心张量维度,构建新的三阶张量;计算每个上下文的权重;根据新的三阶张量以及对应的上下文权 ...
【技术保护点】
1.基于高阶奇异值分解的上下文推荐方法,其特征在于:所述方法包括:获取用户对项目的评分信息及相应的上下文信息;根据上下文类型的不同,构建对应于每个上下文的三阶张量;按照展开规则将每个三阶张量展开,得到三个二阶矩阵;根据每个二阶矩阵,利用奇异值分解确定中心张量维度,构建新的三阶张量;计算每个上下文的权重;根据新的三阶张量以及对应的上下文权重,构建N阶张量;根据目标用户ID和项目ID,找到目标用户在N阶张量对应的位置,为目标用户生成推荐列表。
【技术特征摘要】
1.基于高阶奇异值分解的上下文推荐方法,其特征在于:所述方法包括:获取用户对项目的评分信息及相应的上下文信息;根据上下文类型的不同,构建对应于每个上下文的三阶张量;按照展开规则将每个三阶张量展开,得到三个二阶矩阵;根据每个二阶矩阵,利用奇异值分解确定中心张量维度,构建新的三阶张量;计算每个上下文的权重;根据新的三阶张量以及对应的上下文权重,构建N阶张量;根据目标用户ID和项目ID,找到目标用户在N阶张量对应的位置,为目标用户生成推荐列表。2.根据权利要求1所述的基于高阶奇异值分解的上下文推荐方法,其特征在于:所述方法还包括:当构建对应于每个上下文的三阶张量时,若有用户对用一个项目在同一个上下文中评分多次,则取平均值代替。3.根据权利要求1所述的基于高阶奇异值分解的上下文推荐方法,其特征在于:所述展开规则如下:假设N阶张量将它展开成矩阵在这个矩阵的第in行,第(in+1-1)In+2In+3…INI1I2…In-1+(in+2-1)In+3In+4…INI1I2…In-1+…(iN-1)I1I2…In-1+(i1-1)I2I3…In-1+(i2-1)I3I4…In-1+…+in-1列的值为4.根据权利要求1所述的基于高阶奇异值分解的上下文推荐方法,其特征在于:所述根据每个二阶矩阵,利用奇异值分解确定中心张量维度,构建新的三阶张量,具体包括:通过对每个二阶矩阵进行奇异值分解,计算保留一定百分比信息时非零奇异值的个数,以此来确定中心张量的维度,最后根据中心张量以及对应维度的三个子奇异矩阵的乘积,构建新的三阶张量。5.根据权利要求1所述的基于高阶奇异值分解的上下文推荐方法,其特征在于:所述计算每个上...
【专利技术属性】
技术研发人员:熊冬青,李家春,
申请(专利权)人:广东机电职业技术学院,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。