一种用于新项目冷启动的推荐方法技术

本发明专利技术公开了一种用于新项目冷启动的推荐方法，所述方法包括：计算项目间的相似度以获取与新项目相似的现有项目；结合用户的偏好历史记录，根据与新项目相似的现有项目预测每个用户对新项目的偏好程度；根据对新项目偏好程度的预测值对所有用户进行筛选，向筛选出的用户推荐所述新项目。根据本发明专利技术的方法，可以将新项目推荐给最有可能采纳新项目的用户，解决了新项目的冷启动问题。根据本发明专利技术的方法不仅有效避免用户错过适合自己的新项目，而且降低了项目推荐的盲目性，提高了推荐效率。

Recommended method for cold start of new project

The invention discloses a method for recommending cold start of new items, the method includes: calculating the similarity between projects for existing projects similar to new projects; combined with the user's preferences according to historical records, and new projects of existing projects similar to the prediction of preference for each user of new project; according to the prediction of preference the degree of new project value for all users were selected to selected users recommend the new project. According to the method of the invention, the new project can be recommended to the users who are most likely to adopt the new project, and the cold start problem of the new project can be solved. According to the method of the invention, the user can not only miss the new project which is suitable for oneself, but also reduce the blindness of the project recommendation and improve the efficiency of recommendation.

【技术实现步骤摘要】

本专利技术涉及传媒领域，具体说涉及一种用于新项目冷启动的推荐方法。
技术介绍
随着生产力发展，现有的项目数量不断增加。面对众多的项目，由于用户没有足够的精力时间掌握所有项目的情况，因此导致明明存在适合用户需求的项目，但用户并不知道其存在。针对上述问题，通常采用的解决办法是使用推荐系统，向用户主动推荐符合用户需求的项目，从而避免用户错过合适的项目。应用最为广泛的推荐算法是基于物品的协同过滤推荐算法。其基本思想是，同时被很多人喜欢的两件东西之间具有一定的相似性。通过用户对项目的偏好(例如评分信息)，找出项目的相似集。利用用户已有的偏好信息和项目的相似集信息，对用户进行项目推荐。但是，当一个全新的项目加入推荐系统，由于其缺乏用户偏好(评分)，新的项目无法进入相似度计算环节，无法将其推荐给目标用户(无法冷启动)。因此，针对上述问题，需要一种推荐新项目的方法。
技术实现思路
为了对新项目进行推荐，本专利技术提供了一种用于新项目冷启动的推荐方法，所述方法包括：计算项目间的相似度以获取与新项目相似的现有项目；结合用户的偏好历史记录，根据与新项目相似的现有项目预测每个用户对新项目的偏好程度；根据对新项目偏好程度的预测值对所有用户进行筛选，向筛选出的用户推荐所述新项目。在一实施例中，计算新项目与现有项目的相似度，其中，对项目进行因素分解以获取多个不同项目因素，分别针对多个项目因素计算不同项目间的项目因素相似度，综合多个项目因素相似度计算结果计算获取不同项目间的相似度。在一实施例中，计算不同项目间的项目因素相似度，其中，计算用户对项目因素的喜好度，根据用户对项目因素的喜好度计算项目因素相似度。在一实施例中，计算用户对项目因素的喜好度，其中，根据用户对项目的评分矩阵，结合各个项目的项目因素标签，通过加权平均的方式计算获取用户对项目因素的偏好矩阵。在一实施例中，根据用户对项目因素的偏好矩阵，利用相似性计算公式直接计算项目因素相似度。在一实施例中，针对稀疏的评分矩阵，采用矩阵分解方法计算项目因素相似度，其中：将项目-项目因素评分矩阵转化为项目-潜在因素矩阵和潜在因素-项目因素矩阵；根据潜在因素-项目因素矩阵，利用每个项目因素的潜在因素向量进行项目因素相似度的计算。在一实施例中，对项目进行因素分解以获取多个不同项目因素，其中，所述用户对所述项目的偏好可以映射为所述用户对多个所述项目因素的偏好。在一实施例中，当所述项目为电影时，所述项目因素为导演以及演员。在一实施例中，根据与所述新项目相似度非零的所有现有项目的集合以及用户评价过的现有项目中所有评分超过其评分均值的项目集合计算用户对所述新项目的偏好程度。在一实施例中，根据对新项目偏好程度的预测值对所有用户进行筛选，其中：根据推荐需求确定推荐数目；基于对新项目偏好程度的预测值对所有用户进行预测值由高到低的筛选，筛选出达到所述推荐数目的用户。根据本专利技术的方法，可以将新项目推荐给最有可能采纳新项目的用户，不仅有效避免用户错过适合自己的新项目，而且降低了项目推荐的盲目性，提高了推荐效率。本专利技术的其它特征或优点将在随后的说明书中阐述。并且，本专利技术的部分特征或优点将通过说明书而变得显而易见，或者通过实施本专利技术而被了解。本专利技术的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来实现或获得。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例共同用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1和图2分别是根据本专利技术两个不同实施例的方法流程图。具体实施方式以下将结合附图及实施例来详细说明本专利技术的实施方式，借此本专利技术的实施人员可以充分理解本专利技术如何应用技术手段来解决技术问题，并达成技术效果的实现过程并依据上述实现过程具体实施本专利技术。需要说明的是，只要不构成冲突，本专利技术中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本专利技术的保护范围之内。随着生产力发展，现有的项目数量不断增加。面对众多的项目，由于用户没有足够的精力时间掌握所有项目的情况，因此导致明明存在适合用户需求的项目，但用户并不知道其存在。以传媒领域为例，通常是采用罗列的方式将所有电影的概述展现给用户，由用户从决定具体观看哪一个电影。然而，随着电影的数量不断提高，用户没有足够的时间精力浏览所有电影的概述。这就导致用户在尚未浏览所有的电影的概述之前就选择了具体观看的电影。这最终导致用户错过高质量、适合用户喜好的电影。针对上述问题，通常采用的解决办法是使用推荐系统，向用户主动推荐符合用户需求的项目，从而避免用户错过合适的项目。应用最为广泛的推荐算法是基于物品的协同过滤推荐算法。其基本思想是，同时被很多人喜欢的两件东西(例如电影)之间具有一定的相似性。通过用户对项目的偏好(例如评分信息)，找出项目的相似集。利用用户已有的偏好信息和项目的相似集信息，对用户进行项目推荐。但是，当一个全新的项目加入推荐系统，由于其缺乏用户偏好(评分)，新的项目无法进入相似度计算环节，无法将其推荐给目标用户(无法冷启动)。针对上述问题，本专利技术提出了一种用于新项目冷启动的推荐方法。在本专利技术的方法中，首先预测每个用户对新项目的偏好程度(量化计算新项目和用户需求之间的匹配程度)。根据预测结果(匹配度计算结果)向偏好程度达到推荐阈值(匹配程度达到推荐阈值)的用户推荐新项目。即根据对新项目偏好程度的预测值(匹配程度的预测值)对所有用户进行筛选，向筛选出的用户推荐所述新项目。在本专利技术中，针对新项目，考虑到新项目不存在具体的使用评价等可以用于预测用户对新项目的偏好程度的参数。因此在本专利技术中，首先计算项目间的相似度以获取与新项目相似的现有项目，然后结合用户的偏好历史记录(即对现有项目的偏好程度)，根据与新项目相似的现有项目预测每个用户对新项目的偏好程度。根据本专利技术的方法，可以将新项目推荐给最有可能采纳新项目的用户(对新项目的预测偏好程度最高的用户或是与用户需求匹配度最高的用户)，不仅有效避免用户错过适合自己的新项目，而且降低了项目推荐的盲目性，提高了推荐效率。进一步的，由于是基于与新项目相似的现有项目预测用户的偏好程度，因此针对具有特定受众群的新项目也能进行高效的推荐。接下来基于附图描述根据本专利技术具体实施例的方法的执行过程，附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。如图1所示，在本专利技术一实施例中，首先获取新项目的相似项目(步骤S110)，然后根据新项目的相似项目预测用户对新项目的偏好程度(步骤S120)，接着基于用户对新项目的偏好程度的预测值对用户进行筛选，筛选推荐目标(步骤S130)，最后向筛选出的推荐目标推荐新项目(步骤S140).在上述步骤中，关键点之一是步骤S110，获取新项目的相似项目，即计算新项目与现有项目的相似度(相似度达到阈值的视为相似项目)。在现有技术中，在计算项目间的相似度时，通常采用的方法是基于标签的相似度算法，主要是基于文档词频的TF-IDF和JACCARD相关系数。以视频推荐为例，考虑到视频标签的有限性，视频推荐系统中最常用的为JACCARD相关系数。本文档来自技高网...

【技术保护点】
一种用于新项目冷启动的推荐方法，其特征在于，所述方法包括：计算项目间的相似度以获取与新项目相似的现有项目；结合用户的偏好历史记录，根据与新项目相似的现有项目预测每个用户对新项目的偏好程度；根据对新项目偏好程度的预测值对所有用户进行筛选，向筛选出的用户推荐所述新项目。

【技术特征摘要】
1.一种用于新项目冷启动的推荐方法，其特征在于，所述方法包括：计算项目间的相似度以获取与新项目相似的现有项目；结合用户的偏好历史记录，根据与新项目相似的现有项目预测每个用户对新项目的偏好程度；根据对新项目偏好程度的预测值对所有用户进行筛选，向筛选出的用户推荐所述新项目。2.根据权利要求1所述的方法，其特征在于，计算新项目与现有项目的相似度，其中，对项目进行因素分解以获取多个不同项目因素，分别针对多个项目因素计算不同项目间的项目因素相似度，综合多个项目因素相似度计算结果计算获取不同项目间的相似度。3.根据权利要求2所述的方法，其特征在于，计算不同项目间的项目因素相似度，其中，计算用户对项目因素的喜好度，根据用户对项目因素的喜好度计算项目因素相似度。4.根据权利要求3所述的方法，其特征在于，计算用户对项目因素的喜好度，其中，根据用户对项目的评分矩阵，结合各个项目的项目因素标签，通过加权平均的方式计算获取用户对项目因素的偏好矩阵。5.根据权利要求4所述的方法，其特征在于，根据用户对项目因素的偏好矩阵，利用相似性计算公式直接计算项目因素相似...

【专利技术属性】
技术研发人员：杨成，李晨，易芃，
申请(专利权)人：中国传媒大学，
类型：发明
国别省市：北京;11