基于双向加权值及用户行为的动态推荐及加噪方法技术

本发明专利技术公开了一种基于双向加权值及用户行为的动态推荐及加噪方法，通过引入面向用户的加权值记录方式与面向事物的加权值记录方式，使得算法只需运行一次即可完成一个包含复杂感情的预测，不用反复调用，大大降低时间复杂度，提升推荐效率。同时在预测的过程中通过本发明专利技术提出的加噪机制，防止产生“趋势集中现象”，保证推荐结果的质量。

Dynamic Recommendation and Noise Addition Based on Bidirectional Weighting Value and User Behavior

【技术实现步骤摘要】
基于双向加权值及用户行为的动态推荐及加噪方法
本专利技术涉及计算机领域，特别涉及一种基于双向加权值及用户行为的动态推荐及加噪方法。能够有效解决现有推荐算法存在的无法定量测算用户情感与推荐结果反复迭代后产生“趋势集中现象”等问题。
技术介绍
随着互联网的快速发展，互联网内容呈爆炸式增长，内容产出速度远远超过用户的接受范围。如何通过合理的算法，在用户有限的接受范围内，向其推荐最适合用户的内容成为当下研究热点。同时，在现有的推荐算法中，随着对推荐结果进行反复迭代，最终结果趋于某一固定值，这种现象称为“趋势集中现象”。如美国加利福尼亚大学Fischbach所著《厌倦分析(TiredAnalyses)》等文献所述，“重复面对相似事物易产生厌倦心理”，“趋势集中现象”产生的固定内容也极易引发用户反感。如何在推荐算法中引入合理的加噪机制也成为当务之急。潜在因子推荐策略是一种由美国麻省理工大学在进行统计关系学习研究时提出的高效推荐策略(StatisticalRelationalLearning,SRL)，它是一种利用矩阵联系实体与属性的一种高效推荐策略。通过矩阵分解能把评分矩阵分解为用户(P)、项目本文档来自技高网...

【技术保护点】
1.一种基于双向加权值及用户行为的动态推荐及加噪方法，其特征在于：所述用户行为存储模块(1)通过处理步骤(2)，生成所述用户‑因子加权值矩阵(3)与事物‑因子加权值矩阵(4)，最后生成加噪后的推荐结果。

【技术特征摘要】
1.一种基于双向加权值及用户行为的动态推荐及加噪方法，其特征在于：所述用户行为存储模块(1)通过处理步骤(2)，生成所述用户-因子加权值矩阵(3)与事物-因子加权值矩阵(4)，最后生成加噪后的推荐结果。2.根据权利要求1所述所述基于双向加权值及用户行为的动态推荐及加噪方法，其特征在于：所述用户行为存储模块由数据库(1a)与用户行为矩阵(1b)构成，用户行为矩阵为包含用户与事物的二维矩阵，存储的值为加权值。3.根据权利要求1所述所述基于双向加权值及用户行为的动态推荐及加噪方法，其特征在于：处理步骤由SVD奇异值分解(2a)与高斯分布加噪(2b)组成。4.根据权利要求1所述所述基于双向加权值及用户行为的动态推荐及加噪方法，其特征在于包括以下步骤：S1：初始化方法，建立项目模型(1)；S2：从数据库(1a)读取记录了用户行为的矩阵R(1b)；S3：新建用户-因子加权值矩阵P(3)与事物-因子加权值矩阵Q(4)；S4：对用户行为矩阵R进行...

【专利技术属性】
技术研发人员：熊仕勇，冯俊翔，燕阳，林金朝，陈阔，夏淑芳，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50