基于加权二部图的大众化和新颖性商品推荐方法技术

本发明专利技术公开了一种基于加权二部图的大众化和新颖性商品推荐方法，具体包括以下步骤：步骤1，根据商品与用户之间的购买关系和评分建立加权二部图；步骤2，建立商品到用户的单模投影网络；步骤3，计算待推荐用户与推荐系统用户的相似性，统计待推荐用户的相似用户集合；步骤4，统计相似用户的商品集；步骤5，计算商品集中各商品的推荐预测值，按照推荐预测值对待推荐用户进行商品推荐；本发明专利技术削弱了大众化商品对用户相似性的影响，提出合理度量用户相似性，使得用户相似性计算结果更加准确，基于相似性对用户进行商品推荐的推荐结果更准确、多样性和新颖性更好。

Popularization and Novelty Recommendation Method Based on Weighted Bipartite Graph

【技术实现步骤摘要】
基于加权二部图的大众化和新颖性商品推荐方法
本专利技术属于数据处理
，特别是涉及一种基于加权二部图的大众化和新颖性商品推荐方法。
技术介绍
Web信息资源的“爆炸式”增长，积累了海量数据，导致了严重的信息过载，如何帮助用户在海量的信息中更准确的筛选所需，是当前研究的热点方向，而个性化推荐系统是解决这个问题的有效方法，通过分析用户的行为特性进行兴趣预测，为用户推荐可能会感兴趣的信息，从而提高了用户筛选的效率，节约了信息筛选的时间。目前的推荐算法主要有协同过滤推荐算法(CollaborativeFiltering,CF)、基于内容的推荐算法、混合推荐算法和基于网络结构的推荐算法等，已经被大量的应用在商业化环境当中；协同过滤推荐算法是通过用户对商品的评价，计算用户之间的相似性，寻找邻居用户，然后根据邻居用户的信息进行推荐，但是往往存在数据稀疏性等问题；基于内容推荐算法根据用户喜爱的商品信息，找出相似性最高的商品推荐给用户，基于内容的推荐系统分别对用户和商品建立配置文件，分析用户已经购买或浏览过的商品，建立或更新用户的配置文件系统，比较用户与商品配置文件的相似性，并直接向用户推荐与其配置文件最相似的商品，基于内容推荐只考虑用户的兴趣偏好，推荐结果直观容易理解，但是对于机器难以理解的数据格式，如音乐、图像等往往无法处理，不能为用户发现新的兴趣点。
技术实现思路
本专利技术的目的在于提供一种基于加权二部图的大众化和新颖性商品推荐方法，减弱大众化商品对不同用户之间相似性的影响，通过参数取值的变化，选择进行大众化推荐或是新颖性推荐，推荐结果更加准确，符合用户的生活需求。本专利技术所采用的技术方案是，基于加权二部图的大众化和新颖性商品推荐方法，具体包括以下步骤：步骤1，根据用户与商品之间的购买关系和用户对商品的评分，建立推荐系统的加权二部图G＝(U∪I,E,W,WM)，其中U＝{u1,…,ui,…,um}，U表示推荐系统中含有m个元素的用户集合，i为表示用户的变量1≤i≤m，I＝{I1,…,Ij,…In}，I表示含有n个元素的商品集合，j为表示商品的变量1≤j≤n，E表示用户与商品之间的购买关系形成的边，W表示用户与商品之间的购买关系矩阵，W(i,j)＝1表示用户ui购买过商品Ij，W(i,j)＝0表示用户ui没有购买过商品Ij；WM为用户与购买商品之间的评分矩阵，表示用户-商品加权二部图对应边的权重，WM(i,j)≠0表示用户ui购买了商品Ij且评分为WM(i,j)；WM(i,j)＝0表示用户ui没有购买过商品Ij；步骤2，在用户-商品加权二部图中，根据用户和商品之间的购买关系构建商品到用户的单模投影网络，记作GI→U＝(U,EU,WU)，其中EU表示基于单模投影的两个不同用户之间关联关系形成的边，WU为不同用户之间关联关系的权重矩阵，WU(i,a)表示待推荐用户ua与推荐系统中的用户ui之间的相似性；步骤3，基于单模投影网络，计算待推荐用户ua与推荐系统中所有用户之间的相似性，筛选出推荐系统中与待推荐用户ua相似性最高的K个相似用户，组成相似用户集合Ua＝{ua1,…,uak,…,uaK}，其中k为表示相似用户的变量，1≤k≤K；步骤4，统计K个相似用户购买过的商品集，筛除待推荐用户ua已经购买过的商品，记作商品集I(ua)＝Γ(ua1)∪…∪Γ(uak)∪…∪Γ(uaK)-Γ(ua)；步骤5，计算商品集I(ua)中各商品的推荐预测值，当需要对待推荐用户进行大众化推荐时取β＞0，需要进行新颖性推荐时取β＜0，当不考虑商品集I(ua)内商品的卖出量，仅根据用户的评分差异对用户进行推荐时取β＝0，按照推荐预测值从大到小依次将商品推荐给待推荐用户。进一步的，所述步骤3中仅考虑加权二部图G＝(U∪I,E,W,WM)中的购买关系不考虑评分矩阵WM时，待推荐用户ua与推荐系统中的用户ui之间的相似性WU(i,a)计算如公式(1)所示：公式(1)中Γ(ui)表示用户ui购买过的商品集合，Γ(ua)表示待推荐用户ua购买过的商品集合，Il为用户ui与待推荐用户ua共同购买过的商品，为推荐系统中购买过商品Il的用户总数。进一步的，所述步骤3中计算待推荐用户ua与推荐系统中的用户ui的相似性时，综合考虑加权二部图中的购买关系和评分矩阵时，计算如公式(2)所示：公式(2)中WM(i,l)表示用户ui购买了商品Il且评分为WM(i,l)，WM(a,l)表示用户ua购买了商品Il且评分为WM(a,l)，α为大于0的数，表示利用不同用户对同一商品做出的评分对用户ui与待推荐用户ua相似性的修正系数，进一步的，所述步骤3中对待推荐用户ua与推荐系统中所有用户之间的相似性进行归一化处理，归一化方程如式(3)所示：WU(i,a)的取值范围为[0,1]。进一步的，所述步骤5中将商品集I(ua)中各商品用户评分的加权平均值作为推荐预测值，推荐预测值R(a,k)的计算如公式(4)所示：公式(4)中uak表示待推荐用户ua的相似用户，WU(a,ak)表示待推荐用户ua与其相似用户uak之间的相似性，W(ak,k)表示相似用户uak购买过商品Ik，Ik∈I(ua)，Γ(I(ua))表示购买过商品Ik的用户集合，|Γ(I(ua))∩Ua|表示购买过商品Ik的用户集合与待推荐用户ua的相似用户集的交集，是评分加权平均值的修正，修正系数β的取值范围为[-1,1]。进一步的，所述推荐预测值的矩阵表示形式如下：其中W″U＝W′U-I，I为单位矩阵，矩阵中的元素为本专利技术的有益效果是(1)在进行单模投影时，考虑了购买过商品的用户数，从而削弱大众化商品对不同用户之间相似性的影响；(2)把用户对商品的评分作为二部图的权重，考虑不同用户对商品评分的差异性，并提出一种能够合理度量用户之间相似性的方法；(3)与原来的方法相比，本推荐算法在同一个模型中可以根据参数的取值来选择是进行大众化推荐还是新颖性推荐，推荐结果也具有更好的准确性、多样性和新颖性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术的流程图。图2是本专利技术实施例参数α的变化曲线图。图3是本专利技术实施例参数β的变化曲线图。图4是本专利技术与传统CF算法、NBI算法的推荐效果对比图。图5是本专利技术与CF算法、NBI算法的MAE、RMSE和HD的对比效果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。基于加权二部图的大众化和新颖性商品推荐方法流程如图1所示，具体包括以下步骤：步骤1，利用用户与商品之间的购买关系和用户对商品的评分，建立推荐系统的加权二部图G＝(U∪I,E,W,WM)；其中U＝{u1,…,ui,…,um}，U表示推荐系统中含有m个元素的用户集合，i为表示用户的变量1≤i本文档来自技高网...

【技术保护点】
1.基于加权二部图的大众化和新颖性商品推荐方法，其特征在于，具体包括以下步骤：步骤1，根据用户与商品之间的购买关系和用户对商品的评分，建立推荐系统的加权二部图G＝(U∪I,E,W,W

【技术特征摘要】
1.基于加权二部图的大众化和新颖性商品推荐方法，其特征在于，具体包括以下步骤：步骤1，根据用户与商品之间的购买关系和用户对商品的评分，建立推荐系统的加权二部图G＝(U∪I,E,W,WM)，其中U＝{u1,…,ui,…,um}，U表示推荐系统中含有m个元素的用户集合，i为表示用户的变量1≤i≤m，I＝{I1,…,Ij,…In}，I表示含有n个元素的商品集合，j为表示商品的变量1≤j≤n，E表示用户与商品之间的购买关系形成的边，W表示用户与商品之间的购买关系矩阵，W(i,j)＝1表示用户ui购买过商品Ij，W(i,j)＝0表示用户ui没有购买过商品Ij；WM为用户与购买商品之间的评分矩阵，表示用户-商品加权二部图对应边的权重，WM(i,j)≠0表示用户ui购买了商品Ij且评分为WM(i,j)；WM(i,j)＝0表示用户ui没有购买过商品Ij；步骤2，在用户-商品加权二部图中，根据用户和商品之间的购买关系构建商品到用户的单模投影网络，记作GI→U＝(U,EU,WU)，其中EU表示基于单模投影的两个不同用户之间关联关系形成的边，WU为不同用户之间关联关系的权重矩阵，WU(i,a)表示待推荐用户ua与推荐系统中的用户ui之间的相似性；步骤3，基于单模投影网络，计算待推荐用户ua与推荐系统中所有用户之间的相似性，筛选出推荐系统中与待推荐用户ua相似性最高的K个相似用户，组成相似用户集合Ua＝{ua1,…,uak,…,uaK}，其中k为表示相似用户的变量，1≤k≤K；步骤4，统计K个相似用户购买过的商品集，筛除待推荐用户ua已经购买过的商品，记作商品集I(ua)＝Γ(ua1)∪…∪Γ(uak)∪…∪Γ(uaK)-Γ(ua)；步骤5，计算商品集I(ua)中各商品的推荐预测值，当需要对待推荐用户进行大众化推荐时取β＞0，需要进行新颖性推荐时取β＜0，当不考虑商品集I(ua)内商品的卖出量，仅根据用户的评分差异对用户进行推荐时取β＝0，按照推荐预测值从大到小依次将商品推荐给待推荐用户。2.根据步骤1所述的基于加权二部图的大众化和新颖性商品推荐方法，其...

【专利技术属性】
技术研发人员：郁湧，骆永军，于倩，刘金卓，赵娜，谢仲文，刘强，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南,53