一种应用FM的跨领域推荐方法技术

本发明专利技术提供的是一种应用FM的跨领域推荐方法。输入用户‑项目‑评分数据，包括n个不同的领域的数据集；给定目标域中的特征向量；利用皮尔逊相关系数计算辅助域与目标域内用户的评分行为的相关度，作为目标域用户在辅助域内的协作信息；对目标域特征向量进行扩展；将目标域的特征向量转换为LibSVM这一FM模型要求的数据输入格式；通过Adagrad算法对FM模型进行学习。本发明专利技术与传统单一领域推荐算法相比，可以很好地解决数据稀疏的问题，同时在一定程度上可以缓解用户冷启动的问题；与传统FM模型相比，将FM应用到跨领域推荐中，首次考虑到了跨域推荐中领域之间的相关程度对于FM输入向量的影响，获得了较高的预测精度。

A cross domain recommendation method using FM

【技术实现步骤摘要】
一种应用FM的跨领域推荐方法
本专利技术涉及的是一种个性化推荐方法，是一种跨领域推荐研究以及FactorizationMachine(FM)模型的研究。
技术介绍
在过去十几年间，电子商务、社交网络等应用飞速发展，数据量呈指数增长，我们迎来了真正意义上的大数据时代，但与此同时信息过载问题也更加突出。个性化推荐系统的诞生成为解决信息过载问题的有效方法之一。推荐是指通过分析和挖掘用户与项目之间的二元关系及相关属性，帮助用户从海量数据中发现其感兴趣的物品，从而生成个性化推荐列表。传统的推荐系统都是基于单一领域的，例如：Netflix推荐电影和电视节目，Last.fm推荐歌曲和音乐专辑。但是，随着数据量的迅速增加和数据领域的不断扩充，例如，像Amazon.com这样的大型电子商务网站需要经常存储来自多个域的用户反馈，新用户、新项目带来的冷启动问题和数据稀疏问题在单一领域推荐中逐渐凸显出来。跨域推荐的提出，旨在整合多个不同领域内的信息来弥补单一领域推荐的新用户或是新项目带来的冷启动问题以及数据过于稀疏的问题，从而得到相比于单一领域更精准的推荐效果。因此，本文档来自技高网...

【技术保护点】
1.一种应用FM的跨领域推荐方法，其特征是：/n步骤一：输入用户-项目-评分数据，包括n个不同的领域的数据集；/n步骤二：给定目标域中的特征向量；/n步骤三：利用皮尔逊相关系数计算辅助域与目标域内用户的评分行为的相关度，即领域相关度，作为目标域用户在辅助域内的协作信息；/n步骤四：对目标域特征向量进行扩展；/n步骤五：将目标域的特征向量转换为LibSVM这一FM模型要求的数据输入格式；/n步骤六：通过Adagrad算法对FM模型进行学习。/n

【技术特征摘要】
1.一种应用FM的跨领域推荐方法，其特征是：
步骤一：输入用户-项目-评分数据，包括n个不同的领域的数据集；
步骤二：给定目标域中的特征向量；
步骤三：利用皮尔逊相关系数计算辅助域与目标域内用户的评分行为的相关度，即领域相关度，作为目标域用户在辅助域内的协作信息；
步骤四：对目标域特征向量进行扩展；
步骤五：将目标域的特征向量转换为LibSVM这一FM模型要求的数据输入格式；
步骤六：通过Adagrad算法对FM模型进行学习。


2.根据权利要求1所述的应用FM的跨领域推荐方法，其特征是：步骤一中所述的评分数据是根据项目的不同对领域进行划分得到的跨领域用户评分数据。


3.根据权利要求1或2所述的应用FM的跨领域推...

【专利技术属性】
技术研发人员：曲立平，曹鹤，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23