一种融合用户、项目和上下文属性信息的推荐系统优化方法技术方案

技术编号:8453051 阅读:189 留言:0更新日期:2013-03-21 17:14
本发明专利技术公开了一种融合用户、项目和上下文属性信息的推荐系统优化方法,该方法通过在矩阵分解模型中融合用户、项目和上下文的属性信息,在个性化推荐系统中提高推荐精度。其特点是考虑用户、项目和上下文属性信息对总体评分、用户兴趣及项目得分的不同影响,应用于原矩阵分解模型的计算。该方法由于同时考虑了用户、项目和上下文属性对评分的影响,其推荐精度明显高于仅采用了用户项目二维评分矩阵信息的矩阵分解模型。

【技术实现步骤摘要】

本专利技术涉及,具体涉及一种考虑用户、项目和上下文属性信息对总体评分、用户评分和项目得分的影响,并融入矩阵分解模型,从而对推荐系统的推荐精度进行提高的方法,适用于协同过滤推荐系统,属于推荐系统研究的

技术介绍
推荐系统的目的是充分挖掘用户的兴趣、帮助用户发现自己感兴趣的东西。近二十年来,推荐系统得到了广泛研究,并成功应用于各种互联网商用系统。但是如何为用户生成更加准确的推荐,一直是推荐系统领域研究的热点之一。协同过滤算法是推荐系统中应用最为广泛的算法,其中的矩阵分解模型具有优异的预测精度。传统的矩阵分解模型SVD仅使用用户-项目二维评分矩阵数据,存在数据源单一的缺陷。因此,很多研究者就如何在矩阵分解模型中引入其他数据信息来提高模型质量展开了研究。其中代表性的包括Yehuda Koren和Robert Bell提出的引入了隐反馈数据以及时间上下文的矩阵分解模型,Alexandros Karatzoglou等提出的引入上下文信息的 N-维张量分解模型,Steffen Rendle等提出的融合上下文信息的因式分解机模型,等等。在现有的基于矩阵分解模型的改进方法中,用户、项目属性信息没有得到充分利用,而且很少有方法将用户、项目和上下文属性信息同时结合起来应用于矩阵分解模型来提高推荐精度。对此,本专利技术提出一种融合用户、项目和上下文属性信息的协同过滤推荐方法,考虑用户、项目和上下文属性信息对总体评分、用户评分和项目得分的影响,并融入矩阵分解模型,从而对推荐系统的推荐精度进行提高。
技术实现思路
本专利技术要解决的技术问题为克服现有技术的局限性,提供一种融合用户、项目和上下文属性信息的协同过滤推荐方法,该方法在矩阵分解模型中同时融入用户、项目和上下文属性信息来修正预测评分的偏差,提高个性化推荐系统的推荐精度。本专利技术解决上述技术问题采用的技术方案,在矩阵分解模型中同时融入用户、项目和上下文属性信息来修正预测评分的偏差,提高个性化推荐系统的推荐精度;具体实现过程如下首先,对于每个用户U,通过属性向量转换规则,将用户属性信息转换为用户属性向量vu,并引入用户属性信息对总体评分的影响向量bUA和对项目i得分的影响向量bf'最后得到考虑用户属性信息后用户u对项目i的评分偏差修正项,其公式为/ 04 yTJA\TC = Vh ( },其中,sum O表示计算向量各个元素之和的函数;对于每个项目i,通 sum( \r)过属性向量转换规则,将项目属性信息转换为项目属性向量Vi,并引入项目属性信息对总体评分的影响向量bIA和对用户u评分的影响向量bf,最后得到考虑项目属性信息后用户 对项目i的评分偏差修正项其公式为权利要求1.,其特征在于在矩阵分解模型中同时融入用户、项目和上下文属性信息来修正预测评分的偏差,提高个性化推荐系统的推荐精度;具体实现过程如下首先,对于每个用户U,通过属性向量转换规则,将用户属性信息转换为用户属性向量Vu,并引入用户属性信息对总体评分的影响向量bUA和对项目i得分的影响向量b[S最后得到考虑用户属性信息后用户u对项目i的评分偏差修正项W ,其公式为全文摘要本专利技术公开了,该方法通过在矩阵分解模型中融合用户、项目和上下文的属性信息,在个性化推荐系统中提高推荐精度。其特点是考虑用户、项目和上下文属性信息对总体评分、用户兴趣及项目得分的不同影响,应用于原矩阵分解模型的计算。该方法由于同时考虑了用户、项目和上下文属性对评分的影响,其推荐精度明显高于仅采用了用户项目二维评分矩阵信息的矩阵分解模型。文档编号G06F17/16GK102982107SQ20121044238公开日2013年3月20日 申请日期2012年11月8日 优先权日2012年11月8日专利技术者欧阳元新, 张秦, 李日藩, 熊璋 申请人:北京航空航天大学本文档来自技高网...

【技术保护点】
一种融合用户、项目和上下文属性信息的推荐系统优化方法,其特征在于:在矩阵分解模型中同时融入用户、项目和上下文属性信息来修正预测评分的偏差,提高个性化推荐系统的推荐精度;具体实现过程如下:首先,对于每个用户u,通过属性向量转换规则,将用户属性信息转换为用户属性向量vu,并引入用户属性信息对总体评分的影响向量bUA和对项目i得分的影响向量最后得到考虑用户属性信息后用户u对项目i的评分偏差修正项其公式为其中,sum()表示计算向量各个元素之和的函数;对于每个项目i,通过属性向量转换规则,将项目属性信息转换为项目属性向量vi,并引入项目属性信息对总体评分的影响向量bIA和对用户u评分的影响向量最后得到考虑项目属性信息后用户u对项目i的评分偏差修正项其公式为对于每条评分关联的上下文c,通过属性向量转换规则,将上下文属性信息转换为上下文属性向量vc,并引入上下文属性信息对总体评分的影响向量bCA、对用户u评分的影响向量和对项目i得分的影响向量最后得到考虑上下文属性信息后用户u对项目i的评分偏差修正项其公式为buiCA=vc·(bCA+buCA+biCA)Tsum(vc);然后,同时考虑用户、项目和上下文属性信息而引入的用户u对项目i的评分偏差修正项,融入矩阵分解模型,得到用户u对项目i的预测评分模型: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是矩阵分解模型的评分预测公式,μ为全局平均分,bu为用户u的评分偏差项,bi为项目i的得分偏差项,pu是用户u的隐特征向量,qi是项目i的隐特征向量,bu、bi、pu、qi、bUA、bIA、bCA、均为模型参数;最后,使用随机梯度下降法最小化损失函数: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)进行迭代计算,得到模型参数的最佳值。FDA00002371810400011.jpg,FDA00002371810400012.jpg,FDA00002371810400013.jpg,FDA00002371810400014.jpg,FDA00002371810400015.jpg,FDA00002371810400016.jpg,FDA00002371810400017.jpg,FDA00002371810400018.jpg,FDA00002371810400019.jpg,FDA000023718104000112.jpg,FDA000023718104000113.jpg,FDA000023718104000114.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员:欧阳元新张秦李日藩熊璋
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1