基于关键用户和时间上下文的二部图推荐方法技术

本发明专利技术公开了一种基于关键用户和时间上下文的二部图推荐方法，属于个性化智能推荐的技术领域。该方法包括用户对商品的反馈数据采集、关键用户集提取、用户的兴趣偏好邻居集构建、在经裁剪的用户‑商品二部图上进行物质资源扩散、最终推荐。采用此方法，挖掘出推荐系统中起主导作用的关键用户群体，在此群体中寻找目标用户的兴趣最近邻居集合C，并根据集合C对二部图进行剪裁，去掉与目标用户不相关或相关性较弱的结点和边，从而减少计算复杂度，保证推荐算法的实时性。另外，在第二步物质扩散过程中引入用户评分时间衰弱函数，体现不同时间的评分值对推荐结果的不同贡献程度，从而提高算法的推荐精确度。

【技术实现步骤摘要】
基于关键用户和时间上下文的二部图推荐方法
本专利技术属于个性化智能推荐的
，具体涉及一种基于关键用户和时间上下文的二部图推荐方法。
技术介绍
近年来，基于二部图的推荐算法被广泛应用于推荐系统中，成为研究热点。采用传统的二部图推荐方法，不考虑用户对推荐系统的重要程度，在整个用户空间进行物质资源转移，包括很大一部分与目标用户兴趣无关或者相关性较弱的用户，造成计算复杂度高，很难保证算法的实时性。另外，传统的二部图推荐方法，不考虑用户评价时间对推荐结果的贡献程度，从而降低了推荐准确度。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供了一种基于关键用户和时间上下文的二部图推荐方法，根据用户的评分权威度构建关键用户集合，并在关键用户集中寻找目标用户的兴趣偏好邻居集C，裁剪掉二部图中不在集合C中的用户结点和对应的边，利用物质扩散算法在经过大幅度剪裁的二部图中进行物质资源扩散，同时在第二步扩散过程融入时间衰弱因子，体现不同时间的评分值对推荐结果的不同贡献程度，最终向目标用户推荐获得资源最多的前N个商品信息。技术方案：一种基于关键用户和时间上下文的二部图推荐方法，包括如下步骤：步骤一，采集用户对商品的反馈数据；步骤二，关键用户集提取，分别使用评分数量权重、用户对商品的评分样本标准差衡量用户的交易经验度和评分准确度，综合上述两种因素形成用户作为关键用户的权威度；提取关键用户的具体过程为：S201：计算用户的交易经验度；S202：计算用户的评分准确度；S203：使用加权法对S201和S202计算结果求和，得到用户的权威度，并根据权威度的高低，选取前K0个用户作为关键用户集成员；步骤三，用户的兴趣偏好邻居集构建，基于用户与关键用户集成员之间的共同评价商品数、评分之间的差异分别计算两者之间的兴趣吻合度和评分信任度，并根据兴趣吻合度和评分信任度计算用户对关键用户集成员的综合信任度。基于关键用户的权威度以及用户对其综合信任度，实现用户到关键用户集的映射，将映射值高的前K个关键用户作为用户的兴趣邻居，形成用户的兴趣偏好邻居集C；构建用户的兴趣偏好邻居集的具体过程为：S301：计算用户与关键用户集成员之间的兴趣吻合度；S302：计算用户与关键用户集成员之间的评分信任度；S303：求出S301和S302两步结果的均值，得到用户对关键用户的综合信任度；S304：根据S203和S303两步结果，实现用户到关键用户的映射，产生用户的兴趣偏好邻居集C；步骤四，物质扩散过程，在经剪裁的二部图中进行物质资源扩散，并在第二步扩散过程中引入时间上下文；S401：将推荐系统中所有用户和商品作为结点，用户和商品之间有反馈数据的用无向边连接，生成用户-商品二部图；S402：根据目标用户的兴趣偏好邻居集，裁剪掉二部图中不在集合C中的用户结点和对应的边；S403：在经过大幅度剪裁的二部图中，进行第一步物质资源扩散；S404：引入非线性时间衰弱函数，进行物质资源的第二步扩散；步骤五，最终推荐，将步骤四中获得物质资源最多且目标用户没有购买过的前N个商品信息推荐给目标用户。进一步的，步骤四中，基于用户的兴趣邻居集对用户-商品二部图进行剪裁。与现有技术相比，本专利技术所达到的有益效果是：本专利技术根据用户对商品的历史反馈数据挖掘交易经验丰富、评分客观的关键用户群体(这个群体在推荐系统中起着主导作用)，以用户之间的兴趣吻合度和评分信任度为衡量标准建立目标用户与关键用户集的映射关系。通过这种映射关系，确定目标用户的兴趣偏好邻居集C，裁剪掉二部图中不在集合C中的用户结点和对应的边，然后利用物质扩散算法在经过大幅度剪裁的二部图中进行物质资源扩散，并且在第二步扩散过程融入时间衰弱因子，体现不同时间的评分值对推荐结果的不同贡献程度，最终将获得资源最多的前N个商品推荐给目标用户。此方法能够有效减少计算规模，保证推荐算法的实时性，同时可以提高推荐结果的准确率。附图说明图1为本专利技术实施例的方法流程图。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。基于关键用户和时间上下文的二部图推荐方法，如图1所示，包括如下步骤：步骤一，采集用户对商品的反馈数据。推荐系统中，用户的反馈数据蕴含了用户的历史兴趣偏好，既可以是用户的直接评分、投票、打标签、评论等显式方式，也可以是用户的购买、收藏或浏览行为等隐式方式；推荐系统需要根据应用场合的需求，对采集到的用户行为数据进行整合、减噪、归一化处理形成用户-商品评分数据。对于一个具有m个用户、n个商品的推荐系统来说，使用二维矩阵Rm×n＝{ri,j|i＝1,2,...m,j＝1,2,...n}表示用户-商品评价数据，其中，元素ri,j是用户i对商品j的评分(大部分推荐系统中采用1-5之间的等级数据表示用户对商品的喜好程度)。步骤二，关键用户集提取，分别使用评分数量权重、用户对商品的评分样本标准差衡量用户的交易经验度和评分的准确度，综合上述两种因素形成用户作为关键用户的权威度，并根据权威度的高低，选取前K0个用户作为关键用户集成员；提取关键用户的具体过程为：S201：根据公式计算用户的交易经验度，其中，nx表示用户已经评价过的商品数目，Max(|ui|)代表评价最多的用户所评价的商品数目；S202：根据公式计算用户的评分准确度(其中，l代表用户i评价过的商品的数目，Ri,j代表用户i对商品j的评分，代表商品j的平均评分)为了减少用户评分习惯导致的评分差异，对用户评分进行min-max规范化后进行样本标准差的计算；S203：根据公式A(ui)＝α·ω1+(1-α)·ω2(A(ui)∈[0，1])计算用户的权威度，α的取值根据测试集上的准确率进行择优选取，确定权威度最高的前20％或者权威度高于一定阈值的用户作为关键用户集成员，建立关键用户集Uk。步骤三，用户的兴趣偏好邻居集构建，基于用户与关键用户集成员之间的共同评价商品数、评分之间的差异分别计算两者之间的兴趣吻合度和评分信任度，并根据兴趣吻合度和评分信任度计算用户对关键用户集成员的综合信任度。基于关键用户的权威度以及用户对其综合信任度，实现用户到关键用户集的映射，将映射值高的前K个关键用户作为用户的兴趣邻居，形成用户的兴趣偏好邻居集C；构建用户的兴趣偏好邻居集的具体过程为：S301：根据公式计算用户与关键用户集成员之间的兴趣吻合度(其中，|C|代表用户ui和关键用户ukj共同评价商品数目，Avg(|ukl|)代表关键用户集成员的平均评价数目)；S302：根据公式计算用户与关键用户集成员之间的评分信任度(其中，C代表用户ui和关键用户ukj共同评价的商品集合，Ri,l代表用户ui对商品l的评分，Rj,l代表关键用户ukj对商品l的评分)；S303：根据公式T(ui,ukj)＝Avg(I(ui,ukj),L(ui,ukj))计算用户ui与关键用户集成员ukj之间的综合信任度；S304：根据公式sim(ui,ukj)＝T(ui,ukj)λ·A(ukj)1-λ计算目标用户ui和关键用户ukj之间的相似度，实现目标用户到关键用户集的映射，选取相似度最本文档来自技高网...

【技术保护点】
一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，包括如下步骤：步骤一，采集用户对商品的反馈数据；步骤二，关键用户集提取，分别使用评分数量权重、用户对商品的评分样本标准差衡量用户的交易经验度和评分准确度，综合上述两种因素形成用户作为关键用户的权威度；步骤三，用户的兴趣偏好邻居集构建，基于用户与关键用户集成员之间的共同评价商品数、评分之间的差异分别计算两者之间的兴趣吻合度和评分信任度，并根据兴趣吻合度和评分信任度计算用户对关键用户集成员的综合信任度；基于关键用户的权威度以及用户对其综合信任度，实现用户到关键用户集的映射，将映射值高的前K个关键用户作为用户的兴趣邻居，形成用户的兴趣偏好邻居集C；步骤四，物质扩散过程，在经剪裁的二部图中进行物质资源扩散，并在第二步扩散过程中引入时间上下文；步骤五，最终推荐，将步骤四中获得物质资源最多且目标用户没有购买过的前N个商品推荐给目标用户。

【技术特征摘要】
1.一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，包括如下步骤：步骤一，采集用户对商品的反馈数据；步骤二，关键用户集提取，分别使用评分数量权重、用户对商品的评分样本标准差衡量用户的交易经验度和评分准确度，综合上述两种因素形成用户作为关键用户的权威度；步骤三，用户的兴趣偏好邻居集构建，基于用户与关键用户集成员之间的共同评价商品数、评分之间的差异分别计算两者之间的兴趣吻合度和评分信任度，并根据兴趣吻合度和评分信任度计算用户对关键用户集成员的综合信任度；基于关键用户的权威度以及用户对其综合信任度，实现用户到关键用户集的映射，将映射值高的前K个关键用户作为用户的兴趣邻居，形成用户的兴趣偏好邻居集C；步骤四，物质扩散过程，在经剪裁的二部图中进行物质资源扩散，并在第二步扩散过程中引入时间上下文；步骤五，最终推荐，将步骤四中获得物质资源最多且目标用户没有购买过的前N个商品推荐给目标用户。2.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤四中，基于用户的兴趣邻居集对用户-商品二部图进行剪裁。3.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤二中，提取关键用户的具体过程为：S201：计算用户的交易经验度；S202：计算用户的评分准确度；S203：使用加权法对S201和S202计算结果求和，得到用户的权威度，并根据权威度的高低，选取前K0个用户作为关键用户集成员。4.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤三中，构建用户的兴趣偏好邻居集的具体过程为：S301：计算用户与关键用户集成员之间的兴趣吻合度；S302：计算用户与关键用户集成员之间的评分信任度；S303：求出S301和S302两步结果的均值，得到用户对关键用户的综合信任度；S304：根据S203和S303两步结果，实现用户到关键用户的映射，产生用户的兴趣偏好邻居集C。5.根据权利要求1所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，步骤四的具体步骤为：S401：将推荐系统中所有用户和商品作为结点，用户和商品之间有反馈数据的用无向边连接，生成用户-商品二部图；S402：根据目标用户的兴趣偏好邻居集，裁剪掉二部图中不在集合C中的用户结点和对应的边；S403：在经过大幅度剪裁的二部图中，进行第一步物质资源扩散；S404：引入非线性时间衰弱函数，进行物质资源的第二步扩散。6.根据权利要求3所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，根据公式计算用户的交易经验度，其中，nx表示用户已经评价过的商品数目，Max(|ui|)代表评价最多的用户所评价的商品数目；根据公式计算用户的评分准确度，其中，l代表用户i评价过的商品的数目，Ri,j代表用户i对商品j的评分，代表商品j的平均评分；根据公式A(ui)＝α·ω1+(1-α)·ω2计算用户的权威度，α的取值根据测试集上的准确率进行择优选取，确定权威度最高的前20％或者权威度高于一定阈值的用户作为关键用户集成员，建立关键用户集Uk。7.根据权利要求2所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，根据目标用户的兴趣偏好邻居集，裁剪掉二部图中不在集合C中的用户结点和对应的边，建立二部图对应的链接矩阵A(m0,n0)，其中m0<<m，n0≤n，如果用户结点i和商品结点j之间有边链接，则ai,j＝1，否则ai,j＝0。8.根据权利要求2所述的一种基于关键用户和时间上下文的二部图推荐方法，其特征在于，在经过剪裁的二部图中，进行第一步物质资源扩散:首先，分配初始物质能量F＝(f1,f2,...,fn0)，商品集合{o1...

【专利技术属性】
技术研发人员：翁小兰，王志坚，徐会艳，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32