一种考虑重叠社区效应的推荐方法技术

本发明专利技术公开了一种考虑重叠社区效应的推荐方法，其特征是按如下步骤进行：步骤一、获得用户‑主题概率分布矩阵、主题‑商品概率分布矩阵；步骤二、计算商品对用户的效用；步骤三、根据效用评分由高到低的排序，取其中前N项生成用户的商品推荐列表，从而推荐给用户。本发明专利技术能有效解决现有推荐系统存在的“冷启动”和数据稀疏问题，提高推荐质量，为用户提供更好的个性化服务。

A recommendation method to consider overlapping community effects

The invention discloses a method of overlapping community consider recommending effect, which is characterized by the following steps: step one, get the user topic probability distribution matrix, the theme commodity probability distribution matrix; step two, commodity computing utility to users; step three, according to the utility score from high to low ranking, take the N generates the user recommendation list, it is recommended to the user. The invention can effectively solve the problems of cold start and sparse data existing in existing recommendation systems, improve the quality of recommendation, and provide users with better personalized services.

【技术实现步骤摘要】
一种考虑重叠社区效应的推荐方法
本专利技术涉及个性化推荐
，具体的说是一种考虑重叠社区效应的推荐方法。
技术介绍
随着互联网的快速发展，人们可以在诸如Twitter、Facebook这样的社交媒体上建立社交关系、加入社区、分享、转发或者评论。与此同时，用户生成内容的快速增长加剧了“信息过载”，用户在海量数据中获取感兴趣的信息难且耗时。为了有效解决这种问题，社交媒体运营商根据用户行为数据，建立推荐系统，为用户提供个性化的推荐。然而现有的推荐系统把用户浏览行为数据作为唯一的信息源，存在“冷启动”和数据稀疏的问题。举例来说，当一个新用户加入一个社交媒体时，推荐系统可获得的、用来精准建立用户兴趣模型的信息很少。考虑到相似偏好的人容易成为朋友，用户之间存在社交关系表明彼此可能有相似偏好，因此研究人员试图将用户的社交关系，例如信任关系、朋友关系、追随关系等加入推荐系统之中，以此提高推荐质量。然而，用户线下的朋友关系会转移到线上，彼此之间可能不存在相同偏好，某些场景下利用社交关系也无法推断出用户的偏好。因此通过社交关系捕捉用户兴趣不够精确。本文聚焦于另一种社交媒体活动——加入社区。用户通常会本文档来自技高网...

【技术保护点】
一种考虑重叠社区效应的推荐方法，是应用于由用户集合U＝{1,...,u,...,|U|}、商品集合P＝{1,...,p,...,|P|}和社区集合C＝{1,...,c,...,|C|}所构成的社交媒体中，其中，u表示任意用户，1≤u≤|U|，p表示任意商品，1≤p≤|P|，c表示任意社区，1≤c≤|C|；其特征是所述推荐方法是按如下步骤进行：步骤一、获得用户‑主题概率分布矩阵θ、主题‑商品概率分布矩阵

【技术特征摘要】
1.一种考虑重叠社区效应的推荐方法，是应用于由用户集合U＝{1,...,u,...,|U|}、商品集合P＝{1,...,p,...,|P|}和社区集合C＝{1,...,c,...,|C|}所构成的社交媒体中，其中，u表示任意用户，1≤u≤|U|，p表示任意商品，1≤p≤|P|，c表示任意社区，1≤c≤|C|；其特征是所述推荐方法是按如下步骤进行：步骤一、获得用户-主题概率分布矩阵θ、主题-商品概率分布矩阵步骤1.1、令迭代总次数为itermax，当前迭代次数为iter；主题所对应的编号为k，k＝0,1,...,K，主题分布的先验参数集合为α＝{α0,α1,...,αk,...,αK}，αk表示主题编号k分布的先验参数，商品分布的先验参数集合为β＝{β1,...,βp,...β|P|}，βp表示任意商品p分布的先验参数，社区分布的先验参数集合为ε＝{ε1,...,εc,...,ε|C|}，εc表示任意社区c分布的先验参数；步骤1.2、初始化iter＝1，初始化αk、βp、εc，随机给所述商品集合P中的每个商品分配主题所对应的编号，其中，商品i在第iter次迭代中的主题编号记为1≤i≤|P|，则所有商品在第iter次迭代中的主题编号所构成的商品主题集合记为z(iter)；随机给社区集合C中的每个社区分配主题所对应的编号，其中，社区j在第iter次迭代中的主题编号记为1≤j≤|C|，则所有社区在第iter次迭代中的主题编号所构成的社区主题集合记为x(iter)；步骤1.3、排除当前商品i所分配的主题编号，根据其他所有商品所分配的主题编号所构成的商品主题集合商品集合P、社区集合C以及社区主题集合x(iter)，利用式(1)计算当前商品i分配主题编号k的概率式(1)中，表示去除当前商品i以后，主题编号k下商品p出现的次数，表示去除当前商品i以后，用户u下主题编号k产生的商品个数，表示用户u下主题编号k产生的社区个数；步骤1.4、排除当前社区j所分配的主题编号，根据其他所有社区所分配的主题编号所构成的社区主题集合社区集合C、商品集合P以及商品主题集合z(iter)，利用式(2)计算...

【专利技术属性】
技术研发人员：姜元春，姬翠翠，刘业政，王锦坤，孙见山，孙春华，吕曼丽，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34