【技术实现步骤摘要】
本专利技术涉及数据挖掘与机器学习领域,具体涉及一种面向多样性的推荐方法。
技术介绍
通过分析用户的历史行为数据,推荐系统可以从大量的信息中找到用户可能会感兴趣的内容推荐给用户。大部分的推荐算法通过预测目标用户对项目的评分,然后推荐评分最高的N个项目给用户以提升精确度,如应用最广泛的基于用户(项目)的协同过滤与矩阵分解推荐算法等。这些面向精确度的算法认为高精确度的推荐结果即意味着好的推荐结果。然而,高的精确度不一定意味着高的用户满意度,也不一定能提高商品的销售平衡。一般而言,推荐给用户的项目个数远远小于系统总的项目个数,以精确度为衡量指标的算法可能会导致两方面的问题:一方面由于流行度高的商品具有更多的历史数据,因此更容易被推荐,而那些被少部分用户购买的、目标用户可能会更喜欢的项目难以被推荐,导致系统的推荐结果集中在少部分的流行度高的项目中,不利于商业模型;另一方面推荐的结果与用户过去的购买行为太相似,从而不能迎合用户的广泛喜好,导致用户对系统的满意度下降。提高推荐的多样性有助于解决以上问题。推荐的多样性可以从系统与用户两方面进行衡量,分别表示为整体多样性与个体多样性。整体多样性衡量推荐系统将所有商品推荐出去的能力,个体多样性衡量给单个用户推荐商品的多样性。提高前者有助于增加商业利益,提高后者有助于提高用户满意度。目前,许多研究者从不同的方面分析了多样性并提出了相应的算法,但是,大部分 ...
【技术保护点】
一种面向多样性的推荐方法,其特征是,包含以下步骤:步骤1、根据历史评分数据构建用户‑项目二部图G=(V,E),其中V表示节点集,E表示边集;步骤2、计算传播概率,包括用户u传播到其邻居项目j的传播概率puj、项目j传播到其邻居用户v的传播概率pjv和用户v传播到其邻居项目i的传播概率pvi;上述用户u传播到其邻居项目j的传播概率puj为:puj=rujΣj∈VIruj]]>式中,ruj为用户u对项目j的评分;上述项目j传播到其邻居用户v的传播概率pjv为:pjv=rvjΣv∈VUrvj]]>式中,rvj为用户v对项目j的评分;上述用户v传播到其邻居项目i的传播概率pvi为:pvi=rviΣi∈VIrvi]]>式中,rvi为用户v对项目i的评分;步骤3、计算传播损耗,包括用户u传播到其邻居项目j的传播损耗cuj,项目j传播到其邻居用户v的传播损耗cjv,用户v传播到其邻居项目i的传播损耗cvi;上述用户u传播到其邻居项目j的传播损耗cuj为:cuj=1Σu∈VU1ruj&Not ...
【技术特征摘要】
1.一种面向多样性的推荐方法,其特征是,包含以下步骤:
步骤1、根据历史评分数据构建用户-项目二部图G=(V,E),其中V表
示节点集,E表示边集;
步骤2、计算传播概率,包括用户u传播到其邻居项目j的传播概率puj、
项目j传播到其邻居用户v的传播概率pjv和用户v传播到其邻居项目i的传
播概率pvi;
上述用户u传播到其邻居项目j的传播概率puj为:
puj=rujΣj∈VIruj]]>式中,ruj为用户u对项目j的评分;
上述项目j传播到其邻居用户v的传播概率pjv为:
pjv=rvjΣv∈VUrvj]]>式中,rvj为用户v对项目j的评分;
上述用户v传播到其邻居项目i的传播概率pvi为:
pvi=rviΣi&Eleme...
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。