【技术实现步骤摘要】
一种面向家庭组用户的推荐模型
本专利技术属于数据处理的
，具体涉及一种面向家庭组用户的推荐模型。
技术介绍
当今互联网时代，信息爆炸性的增长速度使得用户对便利的信息筛选方式有着极大的需求。个性化推荐作为一种高效的信息筛选方式，已经广泛应用于互联网产业。与常见推荐系统业务场景不同，IPTV场景下用户通常为家庭组用户，即一个用户下隐含多个兴趣爱好不同的成员。在IPTV场景下使用传统推荐算法分析出的用户兴趣实际上是所有成员不同兴趣混合的结果，根据混合兴趣所生成的推荐列表很大可能不符合家庭组中任何一个成员的兴趣爱好。因此经典推荐算法很难满足家庭组用户的推荐需求。现有研究中，大多采用聚类的方式建立隐藏成员与时段的联系，但聚类产生结果并不精确且会导致评分矩阵进一步稀疏化，这是推荐模型极力避免的情况。本专利技术将家庭组用户看成一个兴趣呈周期性变化且周期范围内兴趣波动程度较大的特殊单成员用户。使用高阶奇异值分解(HOSVD)从用户评分张量中提取用户在不同时段的特征向量获取更细粒度的时间信息，在动态时序推荐算法TimeSVD++基础上，根据时段间的相似度影响用户偏置和潜在用户...
【技术保护点】
1.一种面向家庭组用户的推荐模型，其特征在于，包括步骤S4：在动态时序推荐算法TimeSVD++的基础上，建立一天内时段变化的周期模型，用户u在时间段t内对物品进行评分，设立衰减因子为：
【技术特征摘要】
1.一种面向家庭组用户的推荐模型，其特征在于，包括步骤S4：在动态时序推荐算法TimeSVD++的基础上，建立一天内时段变化的周期模型，用户u在时间段t内对物品进行评分，设立衰减因子为：其中，Ft为用户u在时段t的特征向量，Fu为用户u评分数据最多的时段的特征向量；将家庭组用户中最活跃的成员与其对应的观影时段间的关系纳入用户偏置以及用户隐性因子的设置，对不在活跃时段的评分数据按照时段相似度进行偏差处理。2.根据权利要求1所述的一种面向家庭组用户的推荐模型，其特征在于，根据各时段特征向量计算偏差值并建立周期函数模拟用户兴趣变化过程，预测用户在不同时段对物品的评分；主要包括以下步骤：S4-4：根据偏差值devu(t)为每个用户引入新参数αu，将用户偏置设置为bu(t)＝bu+bu,t+αu·devu(t)其中，bu代表用户偏置中固定的基准值部分，而bu,t代表用户偏置随着时段变化的部分；S4-5：根据偏差值devu(t)，为每个用户引入新参数βu，将用户隐性因子设置为：pu(t)＝pu+pu,t+βu·devu(t)其中，pu代表用户隐性因子中固定的基准值部分，而pu,t代表用户隐性因子随着时段变化的部分，pu，pu,t和βu均为长度为隐性因子数目的向量；S4-6：建立家庭组用户推荐模型和损失函数，利用随机梯度下降方法不断优化参数，训练模型；最终根据模型预测用户在不同时段对物品的评分：其中，代表模型预测用户u对物品i的评分，u代表总体平均分，bi为物品偏置，bu为用户偏置，qi代表物品的隐性特征向量，pu代表用户对隐性特征因子；R(u)为用户评分过的所有物品集合，yj为用户评分过物品的特征向量；cu代表用户评分标准中固定的基准值部分，而cu,t代表用户评分标准随着时段变化的部分。3.根据权利要求2所述的一种面向家庭组用户的推荐模型，其特征在于，还包括以下步骤：S4-1：建立偏置矩阵分解模型；pu后的部分为考虑到用户历史行为对评分预测的影响所加入的第二个物品因子集合，用户u对物品i的评分：S4-2：物品的受欢迎程度会因为一天内各时段观看成员的不同而随着时段改变，将物品偏置bi设置为一个随着时段变化的周期函数bi(t)＝bi+bi,t，bi代表物品偏置中固定的基准值部分，而bi,t代表物品偏置随着时段变化的部分，物品i在每一个时段t均有不同的偏置bi,t；S...
【专利技术属性】
技术研发人员：江春华，戴鑫铉，曾敬鸿，杨茂林，桑楠，李恒，李赵宁，陈丹，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。