一种基于网络推理的个性化推荐方法技术

本发明专利技术公开一种新颖的基于网络推理的个性化推荐方法，其使用物品相似性引入负面评价，解决了大部分基于网络的推荐算法负面评价丢失的问题以及无法正确区分用户对收集的物品喜欢程度的问题。

【技术实现步骤摘要】
一种基于网络推理的个性化推荐方法
本专利技术涉及信息过滤以及数据挖掘领域，尤其涉及一种基于网络推理的个性化推荐方法。
技术介绍
近年来，随着互联网的爆炸性发展，全球信息量的增长速度远远快于我们处理信息的能力，互联网上每一位用户信息浏览量不足1％，并且这种“信息过载”问题变得越来越严重。推荐系统是解决“信息过载”问题最有前途的信息个性化技术发展方向。虽然推荐系统已经被成功地运用于很多大型系统及网站，但是仍然存在许多难以解决的问题，并拥有极大改进的空间以提升推荐准确性。迄今为止，许多不同的方法被提出以达到个性化推荐的目的，这包括基于内容的过滤(CBF)、协同过滤技术(CF)、主成分分析(PCA)、隐语义模型(LSM)、基于二分网络的过滤算法(NBI)等。其中基于质量扩散理论的NBI算法(如图1所示)与广泛使用的协同过滤技术相比展现出了更高的准确率和更低的计算复杂度。在NBI算法中，用户和物品将被当作不同类型的节点从而生成一个二分网络结构，通过节点间随机游走的过程寻找物品之间的因果关系，进而为用户进行推荐。在最近一些年，许多方法被提出以改进基于网络推荐算法的性能，其中大部分以优化网络中的资源流动为目的，比如Heats，CBI,IBA,UFCI等等。这些算法都忽略了资源初始化对推荐准确性的影响。在大部分NBI算法中，都采用一种粗粒度方法，即用户评分大于3则认为用户喜欢该物品，而没有区分用户对所有收集的物品喜欢程度的不同。
技术实现思路
本专利技术使用物品相似性解决大部分基于网络推理的算法中负面评价丢失的问题，从负面评价中提取用户对收集物品的喜爱程度，提出了一种在网络推理过程中使用物品相似性的个性化推荐算法。本专利技术采用以下技术方案：一种基于网络推理的个性化推荐方法，其特征在于，包括以下几个步骤：(1)构建物品集O＝{o1,o2,...,on}，用户集U＝{u1,u2,...,um}，若用户ui采纳过物品oj，则邻接度aij＝1，否则，aij＝0，可得到一个m×n的邻接矩阵A＝{aij}；(2)对于n个商品，构建n×n的相似度矩阵，矩阵元素为两个商品之间的相似度；(3)对于用户ui，从A中提取其列向量(ai1,ai2,...,ain)T；根据邻接度提取出用户ui采纳过的物品oj，计算商品oj负面评价函数其中，Ki为用户ui不采纳的物品数量，Simjq为ui采纳过的商品oj与未采纳的商品oq之间的相似度。根据负面评价函数获得商品oj的衰减函数用户ui对应商品oj的邻接度更新为对于用户未采纳过的物品，则邻接度不进行更新。最终得到用户ui更新后的邻接度列向量(ai′1,ai′2,...,ai′n)T；(4)用户ui的初始资源为xj表示物品oj被采纳的用户数量，物品的资源为yi表示用户ui采纳过的物品数量；从而获得商品资源矩阵W＝(f(o1),f(o2),...,f(on))T。(5)商品资源矩阵可表示为两个向量相乘，具体如下：W＝W′×(o1,o2,...,on)T(6)利用上述转换矩阵W′，计算用户ui的物品推荐度P，如下：P＝W′(ai′1,ai′2,...,ai′n)T＝(zi1,zi2,...,zin)T，其中zi1,zi2,…,zin为商品o1,o2,…,on对用户ui的推荐度(7)对所有用户未收集过的物品按照降序排列，依次推荐给用户。本专利技术的有益效果在于：(1)解决大部分基于网络推理算法中负面评价丢失的问题；(2)解决大部分基于网络推理算法中无法准确区分用户对收集的物品喜爱程度的问题；(3)使得在基于网络的推荐算法中资源初始分配更合理。附图说明图1为基于网络推理的推荐算法示意图。具体实施方式本专利技术涉及一种基于网络推理的个性化推荐方法，包括以下几个步骤：(1)构建物品集O＝{o1,o2,...,on}，用户集U＝{u1,u2,...,um}，若用户ui采纳过物品oj，则邻接度aij＝1，否则，aij＝0，可得到一个n×m的邻接矩阵A＝{aij}；本专利技术所述的“采纳过”为购买过、使用过、消费过等；例如，对于电视剧、电影的推荐，“采纳过”可理解为“看过”；对于商品的推荐，“采纳过”可理解为“购买过”；对于菜品的推荐，“采纳过”可理解为“吃过”或“购买过”；在商业应用中，“采纳过”通常可以表示为“消费过”或“购买过”。(2)对于n个商品，构建n×n的相似度矩阵，矩阵元素为两个商品之间的相似度；(3)对于用户ui，从A中提取其列向量(ai1,ai2,...,ain)T；根据邻接度提取出用户ui采纳过的物品oj，计算商品oj负面评价函数其中，Ki为用户ui不采纳的物品数量，Simjq为ui采纳过的商品oj与未采纳的商品oq之间的相似度。根据负面评价函数获得商品oj的衰减函数用户ui对应商品oj的邻接度更新为对于用户未采纳过的物品，则邻接度不进行更新。最终得到用户ui更新后的邻接度列向量(ai′1,ai′2,...,ai′n)T；邻接度的更新是考虑到推荐权重问题，例如虽然用户喜欢物品A和B，但是对两个物品的喜欢程度可能是不一样的，由于物品A与用户不喜欢的物品E相似，我们可以认为用户不那么喜欢物品A，因此，在进行推荐时，物品A和B将具有不同的推荐权重。相似度的计算可根据不同领域采用CN101079026、CN1434400、CN107610715A、CN104346796A、CN104504055A、CN103631858A、CN107506456A、CN105426916A等公开文件中所公示的方法进行计算。(4)如图1所示，用户ui的初始资源表示为xj表示物品oj被采纳的用户数量，物品的资源表示为yi表示用户ui采纳过的物品数量；从而获得商品资源矩阵W＝(f(o1),f(o2),...,f(on))T。(5)商品资源矩阵可表示为两个向量相乘，具体如下：W＝W′×(o1,o2,...,on)T(6)利用上述转换矩阵W′，计算用户ui的物品推荐度P，如下：P＝W′(ai′1,ai′2,...,ai′n)T＝(zi1,zi2,...,zin)T，其中zi1,zi2,…,zin为商品o1,o2,…,on对用户ui的推荐度(7)对所有用户未收集过的物品按照降序排列，依次推荐给用户。本文档来自技高网...

【技术保护点】
1.一种基于网络推理的个性化推荐方法，其特征在于，包括以下几个步骤：(1)构建物品集O＝{o1,o2,...,on}，用户集U＝{u1,u2,...,um}，若用户ui采纳过物品oj，则邻接度aij＝1，否则，aij＝0，可得到一个m×n的邻接矩阵A＝{aij}；(2)对于n个商品，构建n×n的相似度矩阵，矩阵元素为两个商品之间的相似度；(3)对于用户ui，从A中提取其列向量(ai1,ai2,...,ain)

【技术特征摘要】
1.一种基于网络推理的个性化推荐方法，其特征在于，包括以下几个步骤：(1)构建物品集O＝{o1,o2,...,on}，用户集U＝{u1,u2,...,um}，若用户ui采纳过物品oj，则邻接度aij＝1，否则，aij＝0，可得到一个m×n的邻接矩阵A＝{aij}；(2)对于n个商品，构建n×n的相似度矩阵，矩阵元素为两个商品之间的相似度；(3)对于用户ui，从A中提取其列向量(ai1,ai2,...,ain)T；根据邻接度提取出用户ui采纳过的物品oj，计算商品oj负面评价函数其中，Ki为用户ui不采纳的物品数量，Simjq为ui采纳过的商品oj与未采纳的商品oq之间的相似度。根据负面评价函数获得商品oj的衰减函数用户ui对应商品oj的邻接度更新为对于用户未采...

【专利技术属性】
技术研发人员：刘良桂，伍伟，王玲敏，贾会玲，张宇，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江,33