一种异构网络中多维个性化推荐方法技术

本发明专利技术涉及一种异构网络中多维个性化推荐方法，包括：(1)获取信息；(2)构建用户与项目间相似度矩阵：(3)构建半结构化异构信息网络，基于半结构化异构信息网络，计算不同元路径下用户与项目之间和用户与用户之间的相关程度，给每条元路径得到的相关度分配不同的权重，融合为半结构化异构信息网络中用户与其他类型实体间的相似度矩阵；(4)分配不同的权重，将用户与项目和用户与用户间的相关程度，与用户对项目的偏好信息融合，得到最终的相似度矩阵；(5)将最终的相似度矩阵中相似度较大的若干项目推荐给用户。本发明专利技术加入了用户从属信息和项目从属信息，考虑了用户与项目之间丰富语义信息，提高了推荐准确率和覆盖率。

【技术实现步骤摘要】

本专利技术涉及异构信息网络中基于元路径的相关性搜索方法和结合用户反馈信息与从属信息的多维个性化推荐方法，属于数据挖掘和机器学习的

技术介绍
近年来，异构信息网络因擅长表示不同类型实体之间各种不同的关系且能够准确地区分信息网络中的不同语境挖掘出更具有意义的知识而被广泛研究。其中，表示两个实体间关系的元路径是异构信息网络中一个独特的概念，不同的元路径代表着不同的物理意义，元路径所蕴含的丰富的语义特征，是异构信息网络的一大非常重要的特征。许多异构信息网络中基于元路径的数据挖掘任务正在被开展，推荐更是其中的最具活力的研究方向之一。在海量数据爆炸性增长的今天，推荐系统作为一种解决信息过载的有效手段，重要且必不可少，而个性化推荐系统通过建立用户与产品之间的二元关系,利用用户已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象，能够做到更有针对性的推荐用户真正需要的产品。传统的推荐系统多是基于用户和项目矩阵做文章，其中最成功影响最广泛的是协同过滤算法。传统的协同过滤算法分为基于记忆的协同过滤算法和基于模型的协同过滤算法，两者都是只利用了单一用户项目矩阵的信息，推荐精度有限。面对传统推荐系统用户与物品间单一的关系并且未考虑物品内容和用户属性以及没有考虑用户与物品间丰富的语义信息等缺点，如何将含有用户反馈信息的传统推荐方法与异构信息网络强大的综合信息集成能力和蕴含的丰富的语义信息相结合,进行个性化推荐,是一个有待解决的问题。
技术实现思路
针对现有技术的不足，本专利技术提供了一种异构网络中多维个性化推荐方法；本专利技术提供一种基于元路径的异构网络中多维个性化推荐方法。该方法利用不同元路径蕴含的不同的语义信息的基础上，结合用户反馈信息，为用户提供一种多维度的个性化推荐方法，使得推荐结果更具有准确性、实用性和多样性。术语解释1、非负矩阵分解，是找到非负矩阵与使得。在计算中等式两者很难完全相等。在计算中往往是根据某更新法则迭代更新出两个乘子，当上式左右两端的距离(如欧式距离)满足我们设定的大小，停止迭代；2、异构信息网络(HeterogeneousInformationNetwork)，可以简称为异构网络。若一个信息网络中顶点的类型或者是边的类型的个数超过一个，则此信息网络称为异构信息网络，否则为同构信息网络。本专利技术的技术方案为：一种异构网络中多维个性化推荐方法，具体步骤包括：(1)获取信息：获取用户自身信息及用户间社会关系信息，项目自身信息及项目间互动关系信息和用户对项目的反馈信息；所述项目是指除用户类型之外的其它类型；用户自身信息，例如，用户的年龄、地区、喜好等；用户间社会关系信息，例如，关注与被关注关系、朋友关系等；项目，例如，电影；当项目是指电影时，项目自身信息，例如，包括电影的上映时间、电影的类型等；项目间互动关系信息，例如，包括电影项目与主演项目间有演绎和被演绎等互动关系，用户对电影项目有标注、评分等互动信息。以最经典的电影推荐网络来说，项目代表电影、演员、导演、电影类别标签等多种类型。可以为用户推荐与其相似的电影、演员、导演、电影类别等，达到多维推荐的目的。(2)构建用户与项目间相似度矩阵：所述用户与项目间相似度矩阵表示用户对项目喜爱与否的直接反映，用户对项目的偏好程度；(3)构建半结构化异构信息网络，基于半结构化异构信息网络，计算不同元路径下每一个用户与每一个项目之间和任意用户之间的相似度，得到在该元路径下用户与用户之间和用户与项目之间的相似度矩阵；用户与项目之间的相似度矩阵中行与行之间的相似度表征用户之间的相似性，用户与项目之间的相似度矩阵中列与列之间的相似度表征项目之间的相似性；对每一条元路径下所生成的用户与项目之间的相似度矩阵都能得到一种用户之间的相似性以及项目之间的相似性，根据领域知识对不同的相似性分配不同的权重，融合为半结构化异构信息网络中用户与项目间的相似度矩阵，矩阵中的值表示了每个用户与每个项目之间的相似性大小；值越大，相似度越高；(4)分配不同的权重，将半结构化异构信息网络中用户与用户之间相似度矩阵、用户与项目之间相似度矩阵，与用户对项目的反馈信息融合，得到最终的相似度矩阵；例如，当项目是指电影时，用户对项目的反馈信息是指用户对电影的评分。与用户对项目的反馈信息融合，使得结果更加个性化。(5)将最终的相似度矩阵中相似度较大的若干项目推荐给用户。根据本专利技术优选的，所述步骤(2)，具体是指：若存在用户对项目的评分数据，则获取用户对项目的评分数据，构造评分矩阵，并采用非负矩阵分解算法补全评分矩阵；否则，则利用收集到的用户从属信息和项目从属信息计算用户与项目间相似度矩阵；从属信息包括：社交网络信息(信任关系、粉丝追随关系和朋友关系等)和用户贡献的信息(用户的标签、用户评论内容、用户地理位置和用户发布的动态等信息)。例如在电影推荐网络中，用户从属信息包括年龄、性别和其标签等，当项目是指电影时，项目从属信息包括电影的上映时间、电影体裁等；当项目指导演时，项目从属信息包括年龄、性别和其经常导演的电影的体裁表示；采用非负矩阵分解算法补全评分矩阵，因为根据收集的信息所构建的评分矩阵维数很高并且是非常稀疏的，此处最直接的方法就是用矩阵分解方法将评分矩阵补全，而用户对项目的评分数据都是非负数，所以此处选用非负矩阵分解算法。根据本专利技术优选的，所述步骤(2)，具体步骤包括：①若存在用户对项目的评分数据，则将用户原始评分矩阵记为Um×n，m为用户数目，n为项目的数目，进入步骤②，若不存在用户对项目的评分数据，进入步骤③；②对Um×n采用非负矩阵分解算法分解为两个非负矩阵Pm×k和Qk×n，使得分解后矩阵满足式(Ⅰ)：Um×n≈Pm×k×Qk×n=U~m×n---(I)]]>式(Ⅰ)中，矩阵Pm×k为用户因子矩阵，矩阵Pm×k中所有元素非负，矩阵Qk×n为项目因子矩阵，矩阵Qk×n中所有元素非负；通过式(Ⅰ)将高维矩阵Um×n分解成为两个低维的用户因子矩阵Pm×k和项目因子矩阵Qk×n。③调整余弦相似度或皮尔逊相似系数距离度量方式，计算任意用户与任意项目之间的相似度，构成相似度矩阵。将原始的评分矩阵Um×n分解成两个矩阵Pm×k和Qk×n的乘积，将这个问题转化为机器学习中的回归问题。此处，采用的损失函数为原始的评分矩阵Um×n与重新构建的评分矩阵之间的误差的平方作为损失函数，为防止过拟合，可以加入正则化项；根据本专利技术优选的，所述步骤(3)，具体步骤包括：a、构建半结构化异构信息网络G，G＝(V,E)，V表示半结构化异构信息网络G中顶点，E表示半结构化异构信息网络G中的边；将半结构化异构信息网络G中任意两个实体表示为和，如果这两个实体之间通过元路径可达(或者说两实体间存在连接边即存在某种关系)，则这两个实体间存在边E；任意一个节点v∈V，V属于节点类型集合A中的元素；A＝A1，A2，A3，···Al+1，任意一个边e∈E，E属于边的类型集合R中的元素；所述实体包括所述项目、所述用户；如果两个实体类型都表示同一个类型的项目，例如两个顶点都表示电影项目类型或者是都表示主演项目类型等，则这两个顶点是同一个类型的，标识的实体类型相同。如果两条边连接着同一种本文档来自技高网...

【技术保护点】
一种异构网络中多维个性化推荐方法，其特征在于，具体步骤包括：(1)获取信息：获取用户自身信息及用户间社会关系信息，项目自身信息及项目间互动关系信息和用户对项目的反馈信息，所述项目是指除用户类型之外的其它类型；(2)构建用户与项目间相似度矩阵：所述用户与项目间相似度矩阵表示用户对项目喜爱与否的直接反映，用户对项目的偏好程度；(3)构建半结构化异构信息网络，基于半结构化异构信息网络，计算不同元路径下每一个用户与每一个项目之间和任意用户之间的相似度，得到在该元路径下用户与用户之间和用户与项目之间的相似度矩阵；用户与项目之间的相似度矩阵中行与行之间的相似度表征用户之间的相似性，用户与项目之间的相似度矩阵中列与列之间的相似度表征项目之间的相似性；对每一条元路径下所生成的用户与项目之间的相似度矩阵都能得到一种用户之间的相似性以及项目之间的相似性，根据领域知识对不同的相似性分配不同的权重，融合为半结构化异构信息网络中用户与项目间的相似度矩阵，矩阵中的值表示了每个用户与每个项目之间的相似性大小；(4)分配不同的权重，将半结构化异构信息网络中用户与用户之间相似度矩阵、用户与项目之间相似度矩阵，与用户对项目的反馈信息融合，得到最终的相似度矩阵；(5)将最终的相似度矩阵中相似度较大的若干项目推荐给用户。...

【技术特征摘要】
1.一种异构网络中多维个性化推荐方法，其特征在于，具体步骤包括：(1)获取信息：获取用户自身信息及用户间社会关系信息，项目自身信息及项目间互动关系信息和用户对项目的反馈信息，所述项目是指除用户类型之外的其它类型；(2)构建用户与项目间相似度矩阵：所述用户与项目间相似度矩阵表示用户对项目喜爱与否的直接反映，用户对项目的偏好程度；(3)构建半结构化异构信息网络，基于半结构化异构信息网络，计算不同元路径下每一个用户与每一个项目之间和任意用户之间的相似度，得到在该元路径下用户与用户之间和用户与项目之间的相似度矩阵；用户与项目之间的相似度矩阵中行与行之间的相似度表征用户之间的相似性，用户与项目之间的相似度矩阵中列与列之间的相似度表征项目之间的相似性；对每一条元路径下所生成的用户与项目之间的相似度矩阵都能得到一种用户之间的相似性以及项目之间的相似性，根据领域知识对不同的相似性分配不同的权重，融合为半结构化异构信息网络中用户与项目间的相似度矩阵，矩阵中的值表示了每个用户与每个项目之间的相似性大小；(4)分配不同的权重，将半结构化异构信息网络中用户与用户之间相似度矩阵、用户与项目之间相似度矩阵，与用户对项目的反馈信息融合，得到最终的相似度矩阵；(5)将最终的相似度矩阵中相似度较大的若干项目推荐给用户。2.根据权利要求1所述的一种异构网络中多维个性化推荐方法，其特征在于，所述步骤(2)，具体是指：若存在用户对项目的评分数据，则获取用户对项目的评分数据，构造评分矩阵，并采用非负矩阵分解算法补全评分矩阵；否则，则利用收集到的用户从属信息和项目从属信息计算用户与项目间相似度矩阵。3.根据权利要求2所述的一种异构网络中多维个性化推荐方法，其特征在于，所述步骤(2)，具体步骤包括：①若存在用户对项目的评分数据，则将用户原始评分矩阵记为Um×n，m为用户数目，n为项目的数目，进入步骤②，若不存在用户对项目的评分数据，进入步骤③；②对Um×n采用非负矩阵分解算法分解为两个非负矩阵Pm×k和Qk×n，使得分解后矩阵满足式(Ⅰ)：Um×n≈Pm×k&ti...

【专利技术属性】
技术研发人员：张海霞，吕振，李苏雪，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37