一种基于局部低秩矩阵的个性化推荐方法技术

本发明专利技术公开了一种基于局部低秩矩阵的个性化推荐方法首先读取数据，处理数据得到评分矩阵，对评分矩阵随机选取q个元素作为锚点在每一个锚点近邻空间内计算一个低秩矩阵，形成q个低秩矩阵，然后通过线性方法组合起来形成最后的近似评分矩阵，接着，分别进行评分系统属性的计算、用户属性的计算、和物品属性的计算，最后，基于计算进行个性化推荐。本发明专利技术在原有的局部低秩矩阵方法的基础上加上用户、物品以及评分系统的因素，从而使得推荐结果又更高的准确性，并且相较于原有的矩阵分解的方法，更加精确。

A personalized recommendation method based on local low rank matrix

The invention discloses a personalized recommendation method based on local low rank matrix, which first reads the data, processes the data and obtains the score matrix. The score matrix randomly selects Q elements as anchor points to compute a low rank matrix in each anchor point neighborhood space, and forms Q low rank matrices, and then combines the shape by linear method. The final approximate score matrix is formed. Then, the evaluation system attributes, user attributes and item attributes are calculated respectively. Finally, personalized recommendation is made based on calculation. The invention adds factors of users, articles and scoring system to the original local low rank matrix method, so as to make the recommendation result more accurate and more accurate than the original matrix decomposition method.

【技术实现步骤摘要】
一种基于局部低秩矩阵的个性化推荐方法
本专利技术涉及基于大数据的个性化推荐
，尤其涉及一种基于局部低秩矩阵的个性化推荐方法。
技术介绍
互联网技术的快速发展使得大量的信息爆炸式地呈现在公众的面前，人们很难从海量的信息中提取自己所想要的信息，也就是降低了信息的使用率，从而造成信息超载的情况。而这种情况的一种解决方法就是个性化的推荐方法，个性化推荐可以根据用户个性的需求从海量中的信息中提取出来。因此为了提高信息的利用效率以及推荐给用户恰当的物品来满足用户的需求，我们需要一个完备的个性化推荐系统。已有的个性推荐方法建立在原有的矩阵分解模型上，在精确度以及数据大小上存在一定的不足。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的缺陷，提供一种基于局部低秩矩阵的个性化推荐方法，在保证推荐更加精确、存储更加方便的情况下考虑到了用户的独特癖好、物品的品质特性以及打分网站的整体风格，使得推荐结果在某些特定的场景下表现更加好。本专利技术为解决上述技术问题采用以下技术方案：一种基于局部低秩矩阵的个性化推荐方法，包含以下步骤：步骤1：局部低秩近似矩阵的计算：步骤1-1：平台采集用户个人信息、用户行为特征、以及用户对物品的评价数据，形成用户评分矩阵Rm×n：其中，m表示用户的数量，n表示物品的数量,rij表示用户i对物品j的评价；步骤1-2：对于用户评分矩阵随机取q个可观察到的元素作为锚点，采用最小化平方重构误差的方法得到得到q个在邻域空间内的局部低秩矩阵Ut和Vt，其中，Ut为第t个元素所对应的用户特征矩阵，Vt为第t个元素所对应的物品特征矩阵，，t∈(1,q)，计算公式如下：式中，K((u*,i*),(u.i))是计算元素(u,i)和元素(u*,i*)的平滑核函数，Ω代表训练集中所有的元素，Mu,i表示用户u对于物品i的评分；步骤1-3：使用N-W估计将q个用户特征矩阵和q个物品特征矩阵组合起来得到最终的近似评分矩阵式中，(ut,it)表示被选中的第t个元素，K((ut,it),(u,i))表示被选中的第t个元素(ut,it)与元素(u,i)的平滑核函数；步骤2：个性属性的计算：步骤2-1：计算网站中所有记录的评分的全局平均数μ，以表示网站本身对用户评分的影响；步骤2-2：根据局部低秩近似矩阵来计算用户偏置项bu以及物品偏置项bi,递推公式如下:其中，α为预设的学习速率，Mu,i表示用户u对于物品i的评分，表示根据局部低秩矩阵得到的用户对于物品的近似评分；步骤2-3：根据下面公式计算得到最终的近似评分结果：其中，ru,i表示最终的近似评分结果,(ut,it)表示被选中的第t个元素，K((ut,it),(u,i))表示被选中的第t个元素(ut,it)与元素(u,i)的平滑核函数，Ut表示第t个元素所对应的低秩的用户特征矩阵，Vt表示第t个元素所对应的低秩的物品特征矩阵,其中bu表示用户偏置项，bi表示物品偏置项,μ表示全局平均数；步骤3：基于最终的近似评分结果进行个性化推荐。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术结合了局部低秩矩阵模型和Biassvd方法，得到了一种新的个性化推荐方法。这种方法相较于原有的Biassvd方法，使用的是局部低秩矩阵模型，从而相对于本来的矩阵分解方法，使得推荐结果更加精确；相较于局部低秩矩阵的推荐，又结合了Biassvd方法，从而使得推荐结果匹配了用户的独特习惯，物品的独特特性以及打分网站的打分习惯。总的来说，本方法在精确度更进一步的层面上，更好的考虑到了一些额外因素(用户、物品、打分网站)。附图说明图1是本专利技术的流程示意图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：如图1所示，本专利技术公开了一种基于局部低秩矩阵的个性化推荐方法，该方法分为局部低秩近似矩阵的计算和偏置项的计算两个阶段。局部低秩矩阵的计算主要分为三个部分：数据采集及处理、q个邻近空间的低秩矩阵的计算、合成最终的近似矩阵。在数据采集及处理部分，平台采集的是用户对于物品的评分，比如在5星评价依次代表1-5分，从而可以构建一个用户评价矩阵Rm×n。其中m表示用户的数量，n表示物品的数量，rij表示用户i对物品j的评价。在q个邻近空间的低秩矩阵的计算部分，对于上面这一个用户评价矩阵，我们随机选取q个锚点，对于锚点的选择，我们需要选取那些有具体数据的点，并且要保证随机。用最小化平方重构误差的方法得到低秩的矩阵Ut和Vt(t∈(1,q))：其中Ut代表用户特征矩阵，Vt代表物品特征矩阵，K((u*,i*),(u.i))是计算元素(u,i)和元素(u*,i*)的平滑核函数，Ω代表训练集中所有的元素，Mu,i表示用户u对于物品i的评分。在合成最终的近似矩阵的部分，对于上一步骤得到的q个邻近空间的低秩矩阵，我们使用N-W估计将其组合起来得到最终的近似评分矩阵：其中(ut,it)表示被选中的第t个元素，K((ut,it),(u,i))表示被选中的第t个元素(ut,it)与元素(u,i)的平滑核函数，Ut表示第t个元素所对应的低秩的用户特征矩阵，Vt表示第t个元素所对应的低秩的物品特征矩阵。在偏置项的计算的部分，可分为全局平均数的计算、用户偏置项的计算以及物品偏置项的计算这三个部分。在全局平均数这部分，通过第一步得到的用户评分矩阵，来计算训练集中所有记录的评分的全局平均数μ。在用户偏置项的计算中这部分，用户偏置项bu可以通过机器学习出来，通过梯度下降法来求解这个参数，下面是用户偏置项bu的递推公式：其中α表示学习速率，Mu,i表示用户u对于物品i的评分，表示根据局部低秩矩阵得到的用户u对于物品i的近似评分。在物品偏置项的计算这部分，物品偏置项bi也和用户偏置项bu一样通过机器学习出来，同样下面给出物品偏置项bi这个参数的递推公式：在物品偏置项的计算这部分，物品偏置项bi也和用户偏置项bu一样通过机器学习出来，同样下面给出物品偏置项bi这个参数的递推公式：其中α表示学习速率，Mu,i表示用户u对于物品i的评分，表示根据局部低秩矩阵得到的用户u对于物品i的近似评分。综合两个部分我们可以得到用户最后对于物品的估计评分：其中(ut,it)表示被选中的第t个元素，K((ut,it),(u,i))表示被选中的第t个元素(ut,it)与元素(u,i)的平滑核函数，Ut表示第t个元素所对应的低秩的用户特征矩阵，Vt表示第t个元素所对应的低秩的物品特征矩阵,其中bu表示用户偏置项，bi表示物品偏置项,μ表示全局平均数。最后基于最终的近似评分结果进行个性化推荐。本
技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。以上所述的具体实施方式，对本专利技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本专利技术的具体实施方式而已，并不用于限制本专利技术，凡在本专利技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于局部低秩矩阵的个性化推荐方法，其特征在于，包含以下步骤：步骤1：局部低秩近似矩阵的计算：步骤1‑1：平台采集用户个人信息、用户行为特征、以及用户对物品的评价数据，形成用户评分矩阵Rm×n：

【技术特征摘要】
1.一种基于局部低秩矩阵的个性化推荐方法，其特征在于，包含以下步骤：步骤1：局部低秩近似矩阵的计算：步骤1-1：平台采集用户个人信息、用户行为特征、以及用户对物品的评价数据，形成用户评分矩阵Rm×n：其中，m表示用户的数量，n表示物品的数量,rij表示用户i对物品j的评价；步骤1-2：对于用户评分矩阵随机取q个可观察到的元素作为锚点，采用最小化平方重构误差的方法得到得到q个在邻域空间内的局部低秩矩阵Ut和Vt，其中，Ut为第t个元素所对应的用户特征矩阵，Vt为第t个元素所对应的物品特征矩阵，，t∈(1,q)，计算公式如下：式中，K((u*,i*),(u.i))是计算元素(u,i)和元素(u*,i*)的平滑核函数，Ω代表训练集中所有的元素，Mu,i表示用户u对于物品i的评分；步骤1-3：使用N-W估计将q个用户特征矩阵和q个物品特征矩阵组合起来得到最终的近似评分矩阵式中，(ut,it)表示被选中的第t个元素，K((...

【专利技术属性】
技术研发人员：薛启东，施沈池，王玉峰，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32