一种融合群组信息的列表级学习项目推荐方法技术

本发明专利技术提供一种融合群组信息的列表级学习项目推荐方法，能够利用用户参与群组的信息，得到用户之间的相关性，从而提高项目推荐的精度，提升用户对推荐结果的满意度。本发明专利技术有益效果体现在：克服了当前推荐方法对群组信息利用不完整的现象，为在项目推荐的研究中充分的利用群组信息提供了一个参考，明显提高了推荐的精度，有效缓解了推荐系统中存在的数据稀疏问题；相对已有的推荐方法，本发明专利技术首次使用用户加入群组大小和用户共同加入群组数量信息，有效提高推荐精度和用户对最终推荐项目的满意度；本发明专利技术可以推荐电影、音乐、图书等多种项目，泛化能力强。同时，本发明专利技术提出的方法可以在各种平台上的推荐系统中使用，应用范围广泛。

【技术实现步骤摘要】
一种融合群组信息的列表级学习项目推荐方法
本专利技术涉及计算机应用
，尤其涉及一种融合群组信息的列表级学习项目推荐方法。
技术介绍
近些年，随着Web2.0技术的发展，社交媒体上产生了大量的用户自主生成的个性化内容，导致用户难以从海量的数据中检索到符合自己要求的信息。推荐系统作为一种有效的应对信息过载的方法，能够有效解决上述问题。目前。推荐系统主要分为三类：基于内容的推荐方法、基于评分的推荐方法和混合推荐方法，其中基于评分的方法由于在最终推荐效果上表现较好，受到众多研究者的关注。在实际生活中，推荐系统也广泛应用在电子商务、学术社交网络服务等方面，大幅减少了用户寻找信息所耗费的时间和精力，提升用户的满意度。现有的推荐方法虽能够为推荐系统的构建提供理论基础和实践指导，但是仍存在不足之处：(1)没有考虑推荐列表中项目的顺序关系。现有的基于评分的推荐方法通过预测用户对项目的评分，根据分数来对用户进行推荐，在对用户进行推荐时仅考虑到了用户对单个项目的评分，通过优化最终项目评分的绝对误差进行推荐，没有考虑到推荐列表中项目的排序关系。而在现实生活中，用户往往更加关心最终推荐列表中项目的顺序，本文档来自技高网...

【技术保护点】
1.一种融合群组信息的列表级学习项目推荐方法，其特征在于，包括如下步骤：步骤1，构造用户项目三元组T和用户群组三元组P：所述三元组T＝＜U,I,R＞表示用户对项目的评分信息，所述三元组P＝{G,U,F}表示用户对群组的归属信息；其中，U表示用户集合，并有U＝{U1,U2,...,Ui,...,UN}，Ui表示第i个用户；I表示项目集合，并有I＝{I1,I2,...,Ij,...,IM}，Ij表示第j个项目；R表示用户对项目的评分矩阵，并有R＝{Ri,j}N×M，Ri,j＝p表示第i个用户Ui对第j个项目Ij的评分为p；Ri,j为空表示第i个用户Ui对第j个项目Ij尚未有评分；；其中，1≤i≤|...

【技术特征摘要】
1.一种融合群组信息的列表级学习项目推荐方法，其特征在于，包括如下步骤：步骤1，构造用户项目三元组T和用户群组三元组P：所述三元组T＝＜U,I,R＞表示用户对项目的评分信息，所述三元组P＝{G,U,F}表示用户对群组的归属信息；其中，U表示用户集合，并有U＝{U1,U2,...,Ui,...,UN}，Ui表示第i个用户；I表示项目集合，并有I＝{I1,I2,...,Ij,...,IM}，Ij表示第j个项目；R表示用户对项目的评分矩阵，并有R＝{Ri,j}N×M，Ri,j＝p表示第i个用户Ui对第j个项目Ij的评分为p；Ri,j为空表示第i个用户Ui对第j个项目Ij尚未有评分；；其中，1≤i≤|U|，1≤j≤|I|，1≤p≤L；L为用户为项目评分的最高值，|U|和|I|分别表示用户和项目集合中元素的数量；G表示群组集合，并有G＝{G1,G2,...,Gg,...GK}，Gg表示第g个群组；F表示群组用户矩阵，为布尔矩阵，并有F＝{Fg,i}K×N，Fg,i表示第i个用户Ui是否属于群组Gg的信息：若Fg.i＝1，则表示第i个用户Ui属于第g个群组Gg；若Fg.i＝0，则表示第i个用户Ui不属于第g个群组Gg；1≤g≤K；群组数量K为预设值；步骤2，定义用户相关性矩阵S＝{Si,m}N×N，使用矩阵形式表示用户之间的用户相关系数信息，如式(3)所示：式(3)中，Sim(Ui,Um)表示第i个用户Ui和第m个用户Um融合群组信息的用户相关系数；Si,m表示当第i个用户Ui和第m个用户Um共同加入群组不为空时，使用第i个用户Ui和第m个用户Um的用户相关系数；步骤3，实施融合群组信息的列表级排序学习方法，计算获得用户特征矩阵W和项目特征矩阵V；具体包括如下步骤：步骤3.1，根据式(4)定义首位概率式(4)中，Y表示第i个用户Ui的待排序列表长度；li表示第i个用户Ui的排序列表；Ri,j表示第i个用户Ui对第j个项目Ij的评分；是选取的单调递增且函数值始终为正值的函数；1＜Y＜M；步骤3.2，利用式(5)计算得到第i个用户Ui对第j个项目Ij的预测分值式(5)中，T(i)表示用户相关性矩阵S中，与第i个用户Ui的相似度不为0的用户集合；参数α用于调整用户自己的预测评分在最终的预测评分中所占的权重，α越小，表明相似用户的预测评分对最终的预测评分的影响越大；步骤3.3，引入KL距离，结合式(6)得到列表级损失函数L(W,V)：式(6)中，其中Ri,j表示已知的第i个用户Ui对第j个项目Vj的评分；λW表示用户矩阵的正则项；λV表示项目矩阵的正则项；表示用户特征向量的二阶范数；表示项目特征向量的二阶范数；Ii,j为指示函数，如果第i个用户ui对第j个项目vj有过评分，则Ii,j＝1，否则Ii,j＝0；步骤3.4，根据观测到的用户对项目的历史评分数据，生成评分矩阵R，其中每行代...

【专利技术属性】
技术研发人员：王刚，张亚楠，陈刚，王含茹，张峰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34