The invention discloses a personalized recommendation method that combines structural features and implicit feedback. The invention uses the method of knowledge embedding, feature extraction of structured knowledge from the knowledge base, and then the structure of embedded implicit between the user and the project feedback and knowledge together, through collaborative learning mode and to each user to recommend items he is interested in the sorted list. The invention thus greatly improves the accuracy of the recommendation and has extensive commercial application value.
【技术实现步骤摘要】
一种融合结构特征和隐式反馈的个性化推荐方法
本专利技术属于计算机软件
,具体是一种融合结构特征和隐式反馈的个性化推荐方法。
技术介绍
随着物联网、电子商务和社会网络等技术的迅猛发展,网络空间中所蕴含的信息呈指数级增长,导致“信息过载”。在此背景下推荐系统应运而生,并且得到了学术界和工业界的广泛关注并加以应用,取得了许多相关的研究成果。推荐系统的核心是推荐算法,它通过挖掘用户与项目之间的二元关系,帮助用户从海量数据中便捷发现其感兴趣的对象(如信息、服务、物品等),并生成个性化推荐列表以满足其兴趣偏好。目前,推荐系统主要应用于在线电子商务(如Netflix、Amazon、eBay、阿里巴巴、豆瓣等),信息检索(如Google、Yahoo、百度等)等各个领域。在不同的推荐策略中,基于协同过滤的推荐方法通过利用用户的历史交互或偏好,已经取得重大成功。然而,用户和项目交互非常稀疏的时候,协同过滤的性能通常受到限制,这种情况在项目集非常大的在线购物网站是很普遍的。此外,协同过滤的方法也面临着“冷启动”问题的考验,例如对于系统中的新用户没有任何浏览或者购买记录,就无法刻画其特征,进而无法进行推荐物品匹配。有幸地是,结合协同过滤和诸如项目内容的辅助信息的混合推荐系统为这一问题的解决带来契机,这也是本专利技术专利的主要目的和手段。
技术实现思路
本专利技术的目的在于针对现有技术的不足,提供一种融合结构特征和隐式反馈的个性化推荐方法。本专利技术推荐效果好,且能实现个性化推荐。本专利技术基于推荐项目的结构特征和用户的隐式反馈,即运用知识库嵌入方法,从知识库中提取结构化知识的特 ...
【技术保护点】
一种融合结构特征和隐式反馈的个性化推荐方法,其特征在于包括以下步骤:步骤1、使用逻辑乙型函数函数来计算成对三元组的排序概率,从而得到项目实体的结构嵌入向量vj,用结构嵌入向量来表示项目实体在知识库中的结构知识;知识库通常被表示为具有多种类型的实体和多种类型的链接的异构网络,这种异构网络表达了知识库中最重要的结构信息,也被看作是“结构知识”;使用逻辑乙型函数函数来计算成对三元组的排序概率,将TransR拓展到Bayesian TransR,通过Bayesian TransR的方式计算概率σ(fr(vh,vt)‑fr(vh,v′t)),从而得到项目实体的结构嵌入向量vj,用来表示项目实体在知识库中的结构知识;步骤2、对于每个推荐项目,从用户的“隐式反馈”行为中推断排序的场景,具体如下:2‑1.假设有m个用户和n个项目,定义用户隐式反馈矩阵
【技术特征摘要】
1.一种融合结构特征和隐式反馈的个性化推荐方法,其特征在于包括以下步骤:步骤1、使用逻辑乙型函数函数来计算成对三元组的排序概率,从而得到项目实体的结构嵌入向量vj,用结构嵌入向量来表示项目实体在知识库中的结构知识;知识库通常被表示为具有多种类型的实体和多种类型的链接的异构网络,这种异构网络表达了知识库中最重要的结构信息,也被看作是“结构知识”;使用逻辑乙型函数函数来计算成对三元组的排序概率,将TransR拓展到BayesianTransR,通过BayesianTransR的方式计算概率σ(fr(vh,vt)-fr(vh,v′t)),从而得到项目实体的结构嵌入向量vj,用来表示项目实体在知识库中的结构知识;步骤2、对于每个推荐项目,从用户的“隐式反馈”行为中推断排序的场景,具体如下:2-1.假设有m个用户和n个项目,定义用户隐式反馈矩阵为:Ri,j=1表示用户i对与项目j有隐式反馈记录,用户隐式反馈矩阵R中的1在隐式反馈中并不表示用户实际喜欢这个项目;同样,这里的0不代表用户不喜欢这个项目,却可能够看作是负面反馈和潜在交互的混合体;2-2.通过矩阵分解模型从定义的用户隐式反馈矩阵中得到项目的潜在偏移向量ηj~N(0,λII)和ui~N(0,λUI);步骤3、通过BayesianPersonalizedRanking利用用户评分来优化用户对物品的排序;具体的:在用户隐式反馈矩阵R中,当Ri,j=1,Ri,j′=0时,则表示比起项目j′,用户i更加喜欢项目j,同时用p(j>j′;i|θ)来表示用户偏好的概率,并结合项目在知识库中的结构嵌入表示和协同过滤中的潜在表示,重新定义项目的潜在向量表示为:ej=ηj+vj所以,重新给出用户偏好的概率为:
【专利技术属性】
技术研发人员:王麒诚,龚泽鑫,厉紫阳,沈徐兰,冯卢梦,邢白夕,
申请(专利权)人:汉鼎宇佑互联网股份有限公司,
类型:发明
国别省市:浙江,33
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。