基于隐式反馈信息的局部低秩矩阵近似的推荐方法及系统技术方案

本发明专利技术公开了一种基于隐式反馈信息的局部低秩矩阵近似的推荐方法及系统，属于推荐技术领域。本发明专利技术从用户信息中被忽略的隐式反馈信息入手，通过局部低秩矩阵近似原理，使用隐式反馈信息优化特征提取模型，提取用户与物品的单维多维偏好向量；并且基于用户和物品的偏好信息，给与一个更加准确的用户评分推荐方式。本发明专利技术的推荐系统，包括数据引擎模块、多维特征提取模块、评分预测模块、协同推荐模块和信息更新模块；通过各个模块的协同工作，提取出用户在不同环境下的多维隐性因子，提高整个系统推荐结果的准确性和个性化，具有很高的通用性，适用于现有的大多数推荐场景。

Recommendation method and system of local low rank matrix approximation based on implicit feedback information

The invention discloses a method and a system for recommending local low rank matrix approximation based on implicit feedback information, belonging to the technical field of recommendation. The invention starts with the neglected implicit feedback information in user information, optimizes the feature extraction model by using the implicit feedback information through the local low rank matrix approximation principle, extracts the one-dimensional and multi-dimensional preference vectors of users and items, and recommends a more accurate user rating based on the preference information of users and items. Way. The recommendation system of the invention comprises a data engine module, a multi-dimensional feature extraction module, a scoring and predicting module, a collaborative recommendation module and an information updating module; the multi-dimensional recessive factors of users in different environments are extracted through the collaborative work of each module, and the accuracy and individualization of the recommendation results of the whole system are improved. It has high universality and is suitable for most existing recommendation scenarios.

【技术实现步骤摘要】
基于隐式反馈信息的局部低秩矩阵近似的推荐方法及系统
本专利技术属于推荐
，更为具体的讲，涉及一种基于隐式反馈信息的局部低秩矩阵近似的推荐技术。
技术介绍
互联网技术的发展，带来了诸多便利，却也给我们出了许多难题。其中最著名的就是“信息过载”问题。由于互联网的便利性，我们所有的信息都在互联网上进行交互，所有的数据都存储在云端数据库，导致网络数据几何倍数增加，这导致了人们很难在互联网上找到自己需要的信息。搜索引擎是一项重要的专利技术，它能让人们从海量的数据中根据关键字检索匹配信息，一定程度上缓和了数据量过大对用户造成的压力。然而它忽略了不同用户对信息的需求并不完全相同，迫使用户还需要从搜索结果中找寻感兴趣的内容。推荐系统在这种场合应运而生，它能根据用户的选择，自主选择提供用户可能感兴趣的内容，更为智能，也是未来的发展方向。这其中最为重要的内容，就是推荐算法的应用。基于推荐算法的推荐系统不仅能根据用户特点预测用户喜好，还能根据用户需求的变化，智能的筛选进行推荐的物品，信息，删去用户不需要，不关心的内容，不但能完美迎合用户需求，带来舒适的用户体验，也节省了用户大量的时间，极大的增加了用户的黏着性。所以人们越来越需求功能完善，更人性化的推荐系统，这也促进了推荐算法的进一步发展。以此为契机，各种不同原理的推荐算法层出不穷，带来了更好的推荐结果，更先进的技术理论，更好的应用前景。到目前为止，已经有许许多多基于不同推荐算法的推荐系统，真正的便利着用户的生活，比如京东的物品推荐，Amazon的图书推荐等等。这些功能完善的推荐系统基于的正是各种主流的推荐算法。虽然，当前已有的主流的推荐算法已经相当成熟，但是都忽略了用户的变化性。用户并不是一个偏好不会变化的数据点，而是一个有着自主意识，难以捉摸的对象。每个用户的兴趣爱好，关注点都是会随着时间的推移，环境的改变等等因素进行变化的。这些变化是隐藏在用户的正常数据中，难以发现的。如果仅仅基于用户的历史数据进行分析而忽略了这些隐性因子，很可能导致推荐结果变化速度慢于用户的爱好变化速度，导致推荐结果滞后；更有甚者，可能会将这些用户的新的偏好，作为环境噪音，处理掉、忽略掉了。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提供一种基于隐式反馈信息的局部低秩矩阵近似的推荐方法及系统，通过分析用户在不同环境下表现不同所导致的的隐藏特征，提高整个推荐系统结果的准确性和个性化，能适应现有的大多推荐场景，有很强的适应性和进步空间。本专利技术的基于隐式反馈信息的局部低秩矩阵近似的推荐方法，包括下列步骤：提取待推荐用户的用户—物品数据，所述用户—物品数据为待推荐用户的对物品的历史操作信息；基于当前用户—物品数据构建用户—物品关系数据表，其中用户—物品关系数据表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户和物品关系的紧密程度，例如表内每项数据值的大小，代表了对应用户对物品评分值；基于当前用户—物品关系数据表构建用户—物品关系矩阵，对用户—物品关系矩阵进行奇异值分解(SVD)，得到全局用户-特征矩阵和全局物品-特征矩阵；其中全局用户-特征矩阵的每一列表示不同的用户，表中存放的分解结果(表项内容)即为用户对此特征的敏感度；全局物品-特征矩阵中的每一行表示在当前维度下的特征数，其中特征数为经验预设值，每一列表示不同的物品，表中存放的分解结果即为物品对此特征的切合度；随机选取多个锚点，基于全局用户-特征矩阵和全局物品-特征矩阵得到对应每个锚点的锚点用户、锚点物品；对每个锚点用户，基于锚点用户与非锚点用户间的相似度，在全局用户-特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部用户-特征矩阵，其中局部用户-特征矩阵的每一列表示不同的用户，表项内容表示用户对此特征的敏感度；对每个锚点物品，基于锚点物品与非锚点物品间的相似度，在全局物品-特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部物品-特征矩阵，其中局部物品-特征矩阵中的每一行表示在当前维度下的特征数，每一列表示不同的物品，表项内容表示物品对此特征的切合度；基于关于相似度的核平滑函数设置各局部用户-特征矩阵的用户向量权重，设置各局部物品-特征矩阵的物品向量权重，每个用户对应一个用户向量权重，每个物品对应一个物品向量权重；通过上述处理后可得到多维用户特征数据表和多维物品特征数据表，维数对应预设的锚点数。构建用户—物品预测表，其中表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户对物品的预测值：若用户购买当前物品，则用户对物品的预测值为用户和物品关系的紧密程度的真实数据(例如用户对购买物品的实际评分值)；若用户未购买当前物品，则用户对物品的预测值为用户和物品的切合度，其中切合度为：根据同一锚点下的用户向量权重和物品向量权重的乘积得到用户-物品偏好权重矩阵，更具同一锚点下的局部用户-特征矩阵与局部物品-特征矩阵的乘积，得到局部用户-物品特征矩阵；基于用户-物品偏好权重，对所有锚点下的局部用户-物品特征矩阵进行加权累加，得到用户和物品的切合度。优选的，计算切合度的计算方式还可以是，用表示用户u对物品i的切合度，则其中(Kf)ui表示锚点f下的用户u对物品i的偏好权重，表示锚点f下的用户u对物品i的局部用户-特征，表示锚点f下的的用户u对物品i的局部物品-特征，μ表示用户—物品关系数据表的所有表项的均值，u表示用户—物品关系数据表中的对应用户u的表项的均值，i表示用户—物品关系数据表中的对应物品i的表项的均值。此外，还可以根据公式计算用户u对物品i的切合度，其中(Kf)ui，(Ks)ui表示锚点f、s下的用户u对物品i的偏好权重。根据用户—物品预测表和用户对物品的购买记录，筛选出前Krec个最大预测值的未购买物品构成用户推荐表并向用户推荐，其中Krec为预设的物品推荐数量。优选的，所述用户推荐表中，按用户对物品的预测值降序排序。进一步的，为了实现对用户推荐表的自适应更新，基于预设的监测时段，在生成用户推荐表的监测时段内，当用户购买的物品在推荐表中靠后的位置(推荐表中按用户对物品的预测值降序排序)，即存在购买的物品在推荐表中的位置在后Thr1％(Thr1为预设阈值)中，时，则将当前用户的在状态标记为更新状态，若监测时段内，状态为更新状态的用户达到预设的数量上限则基于当前的用户—物品数据重新生成新的用户推荐表。本专利技术的推荐方法究从用户信息中被忽略的隐式反馈信息入手，通过局部低秩矩阵近似原理，使用隐式反馈信息优化特征提取模型，提取用户与物品的单维多维偏好向量；并且基于用户和物品的偏好信息，给与一个更加准确的用户评分推荐方式。本专利技术的基于隐式反馈信息的局部低秩矩阵近似的推荐系统，包括：数据引擎模块，提取待推荐用户的用户—物品数据(用户对物品的历史操作信息，如浏览、评价、购买等)，构建用户—物品关系数据表并存储到推荐系统的存储单元中；其中用户—物品关系数据表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表内每项数据值的大小，代表了对应用户和物品关系的紧密程度；多维特征提取模块，通过数据引擎模块提取当前用户—物品关系数据表，构建用户—物品关系矩阵，并通过多本文档来自技高网...

【技术保护点】
1.基于隐式反馈信息的局部低秩矩阵近似的推荐方法，其特征在于，包括下列步骤：提取待推荐用户的用户—物品数据，所述用户—物品数据为待推荐用户的对物品的历史操作信息；基于当前用户—物品数据构建用户—物品关系数据表，其中用户—物品关系数据表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户和物品关系的紧密程度，例如表内每项数据值的大小，代表了对应用户对物品评分值；基于当前用户—物品关系数据表构建用户—物品关系矩阵，基于预置的特征数，对用户—物品关系矩阵进行奇异值分解，得到全局用户‑特征矩阵和全局物品‑特征矩阵；其中，全局用户‑特征矩阵的每一列表示不同的用户，每一行表示不同的特征，表项内容为各用户对应不同特征的分解结果，即用户对特征的敏感度；全局物品‑特征矩阵中的每一行表示不同的特征，每一列表示不同的物品，表项内容为不同物品对应不同特征的分解结果，即物品对特征的切合度；随机选取多个锚点，基于全局用户‑特征矩阵和全局物品‑特征矩阵得到对应每个锚点的锚点用户、锚点物品；对每个锚点用户，基于锚点用户与非锚点用户间的相似度，在全局用户‑特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部用户‑特征矩阵，其中局部用户‑特征矩阵的每一列表示不同的用户，表项内容表示用户对此特征的敏感度；对每个锚点物品，基于锚点物品与非锚点物品间的相似度，在全局物品‑特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部物品‑特征矩阵，其中局部物品‑特征矩阵中的每一行表示在当前维度下的特征数，每一列表示不同的物品，表项内容表示物品对此特征的切合度；基于关于相似度的核平滑函数设置各局部用户‑特征矩阵的用户向量权重，设置各局部物品‑特征矩阵的物品向量权重，每个用户对应一个用户向量权重，每个物品对应一个物品向量权重；通过上述处理后可得到多维用户特征数据表和多维物品特征数据表，维数对应预设的锚点数。构建用户—物品预测表，其中表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户对物品的预测值：若用户购买当前物品，则用户对物品的预测值为用户和物品关系的紧密程度的真实数据(例如用户对购买物品的实际评分值)；若用户未购买当前物品，则用户对物品的预测值为用户和物品的切合度，其中切合度为：根据同一锚点下的用户向量权重和物品向量权重的乘积得到用户‑物品偏好权重矩阵，更具同一锚点下的局部用户‑特征矩阵与局部物品‑特征矩阵的乘积，得到局部用户‑物品特征矩阵；基于用户‑物品偏好权重，对所有锚点下的局部用户‑物品特征矩阵进行加权累加，得到用户和物品的切合度；根据用户—物品预测表和用户对物品的购买记录，筛选出前Krec个最大预测值的未购买物品构成用户推荐表并向用户推荐，其中Krec为预设的物品推荐数量。...

【技术特征摘要】
1.基于隐式反馈信息的局部低秩矩阵近似的推荐方法，其特征在于，包括下列步骤：提取待推荐用户的用户—物品数据，所述用户—物品数据为待推荐用户的对物品的历史操作信息；基于当前用户—物品数据构建用户—物品关系数据表，其中用户—物品关系数据表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户和物品关系的紧密程度，例如表内每项数据值的大小，代表了对应用户对物品评分值；基于当前用户—物品关系数据表构建用户—物品关系矩阵，基于预置的特征数，对用户—物品关系矩阵进行奇异值分解，得到全局用户-特征矩阵和全局物品-特征矩阵；其中，全局用户-特征矩阵的每一列表示不同的用户，每一行表示不同的特征，表项内容为各用户对应不同特征的分解结果，即用户对特征的敏感度；全局物品-特征矩阵中的每一行表示不同的特征，每一列表示不同的物品，表项内容为不同物品对应不同特征的分解结果，即物品对特征的切合度；随机选取多个锚点，基于全局用户-特征矩阵和全局物品-特征矩阵得到对应每个锚点的锚点用户、锚点物品；对每个锚点用户，基于锚点用户与非锚点用户间的相似度，在全局用户-特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部用户-特征矩阵，其中局部用户-特征矩阵的每一列表示不同的用户，表项内容表示用户对此特征的敏感度；对每个锚点物品，基于锚点物品与非锚点物品间的相似度，在全局物品-特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部物品-特征矩阵，其中局部物品-特征矩阵中的每一行表示在当前维度下的特征数，每一列表示不同的物品，表项内容表示物品对此特征的切合度；基于关于相似度的核平滑函数设置各局部用户-特征矩阵的用户向量权重，设置各局部物品-特征矩阵的物品向量权重，每个用户对应一个用户向量权重，每个物品对应一个物品向量权重；通过上述处理后可得到多维用户特征数据表和多维物品特征数据表，维数对应预设的锚点数。构建用户—物品预测表，其中表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户对物品的预测值：若用户购买当前物品，则用户对物品的预测值为用户和物品关系的紧密程度的真实数据(例如用户对购买物品的实际评分值)；若用户未购买当前物品，则用户对物品的预测值为用户和物品的切合度，其中切合度为：根据同一锚点下的用户向量权重和物品向量权重的乘积得到用户-物品偏好权重矩阵，更具同一锚点下的局部用户-特征矩阵与局部物品-特征矩阵的乘积，得到局部用户-物品特征矩阵；基于用户-物品偏好权重，对所有锚点下的局部用户-物品特征矩阵进行加权累加，得到用户和物品的切合度；根据用户—物品预测表和用户对物品的购买记录，筛选出前Krec个最大预测值的未购买物品构成用户推荐表并向用户推荐，其中Krec为预设的物品推荐数量。2.如权利要求1所述的方法，其特征在于，将计算用户和物品的切合度的计算方式替换为替换方式A或B；其中，替换方式A为：用表示用户u对物品i的切合度，则其中(Kf)ui表示锚点f下的用户u对物品i的偏好权重，表示锚点f下的用户u对物品i的局部用户-特征，表示锚点f下的的用户u对物品i的局部物品-特征，μ表示用户—物品关系数据表的所有表项的均值，bu表示用户—物品关系数据表中的对应用户u的表项的均值，ci表示用户—物品关系数据表中的对应物品i的表项的均值，F表示锚点数；替换方式B为：根据公式计算用户u对物品i的切合度，其中(Kf)ui，(Ks)ui表示锚点f、s下的用户u对物品i的偏好权重，F表示锚点数。3.如权利要求1或2所述的方法，其特征在于，所述用户推荐表中，按用户对物品的预测值降序排序。4.如权利要求1所述的方法，其特征在于，基于预设的监测时段，在生成用户推荐表的监测时段内，当用户购买的物品在推荐表中靠后的位置时，则将当前用户的在状态标记为更新状态，若监测时段内，状态为更新状态的用户达到预设的数量上限则基于当前的用户—物品数据重新生成新的用户推荐表。5.如权利要求1所述的方法，其特征在于，锚点与非锚点间的相似度计算方式为：反余弦相似度。6.基于隐式反馈信息的局部低秩矩阵近似的推荐系统，包括：数据引擎模块，提取待推荐用户的用户—物品数据，构建用户—物品关系数据表并存储到推荐系统的存储单元中；其中，用户—物品关系数据表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户和物品关系的紧密程度；多维特征提取模块，通过数据引擎模块提取当前用户—物品关系数据表，构建用户—物品关系矩阵，并通过多...

【专利技术属性】
技术研发人员：陈新吾，曾伟，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51