【技术实现步骤摘要】
基于用户兴趣漂移的推荐方法及推荐装置
本专利技术涉及个性化推荐
，特别涉及一种基于用户兴趣漂移的推荐方法及推荐装置。
技术介绍
随着信息技术和互联网的发展，信息量呈指数级增长，使得人们面临严重的信息过载问题，推荐系统作为解决信息过载问题的一种重要工具得到迅速发展。传统的静态推荐方法通常假设用户兴趣偏好是静态的，然而，在真实场景中，用户兴趣偏好在多种因素的影响下，一般会发生动态漂移，如新产品的出现、季节的交替、社区趋势的变化等均会影响用户的选择。因此，跟踪动态的用户兴趣，建立动态的推荐模型，为用户推荐恰当的产品已经成为推荐算法研究的趋势和重点。相关技术中，动态推荐方法包括三种：第一种是在传统协同过滤推荐算法中以时间权重的形式加入时间特性。在计算时间权重因子时，假定商品被评分时间距离当前时刻越远，其对当前推荐活动影响越小，故可以用截断高斯分布密度公式或指数衰减公式等计算。第二种是将时间作为单独的一维数据进行建模，将二维的评分矩阵扩展为三维的张量，利用张量分解学习用户偏好。第三种是在矩阵分解中融入时间信息，主...
【技术保护点】
1.一种基于用户兴趣漂移的推荐方法，其特征在于，包括以下步骤：/n采集用户的所有评分数据，并获取所有评分数据的时间信息；/n根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在所述训练集上切分成时间段相等的多个时间箱，按周等粒度划分为多个时间片，按一个时间窗包含预设天数等粒度划分为多个时间窗；/n根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合；/n根据所述静态用户兴趣特征和所述用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；/n将所述用户连续性与周期性兴趣偏好特征和所...
【技术特征摘要】 【专利技术属性】
1.一种基于用户兴趣漂移的推荐方法，其特征在于，包括以下步骤：
采集用户的所有评分数据，并获取所有评分数据的时间信息；
根据用户的评分数据及相应的时间信息，划分为训练集和测试集，在所述训练集上切分成时间段相等的多个时间箱，按周等粒度划分为多个时间片，按一个时间窗包含预设天数等粒度划分为多个时间窗；
根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合；
根据所述静态用户兴趣特征和所述用户兴趣权重矩阵，得到用户连续性与周期性兴趣偏好特征，根据用户短期评分过的物品集合，得到用户短期兴趣偏好特征；
将所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征线性组合融合到矩阵分解中，构建动态用户兴趣偏好模型；
使用随机梯度下降法，求解得到所述动态用户兴趣偏好模型的多个参数值；
根据所述动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测，并根据预测结果进行推荐。
2.根据权利要求1所述的推荐方法，其特征在于，所述用户连续性与周期性兴趣偏好特征表示为：
其中，b为连续性的时间箱，p为周期性的时间片，表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征，pi为用户i不考虑时间信息的静态用户兴趣特征，fib,p为用户i在特定时刻的用户兴趣权重矩阵。
3.根据权利要求1所述的推荐方法，其特征在于，所述用户短期兴趣偏好特征表示为：
其中，s为短期的时间窗，表示用户i在特定时刻的用户短期兴趣偏好特征，N(i)s为用户i短期评分过的物品集合，|N(i)s|为所述物品集合中的物品数，k为所述物品集合N(i)s中任意一个物品，qk为物品特征向量。
4.根据权利要求1所述的推荐方法，其特征在于，根据所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征构建动态用户兴趣偏好模型的步骤具体如下：
其中，表示用户i对物品j在特定时刻的评分预测，μ为全局平均评分，bi是用户偏置项即用户评分习惯与平均评分的偏差，bj是物品偏置项即物品评分与平均评分的偏差，r为参数因子。
5.根据权利要求1所述的推荐方法，其特征在于，所述预设天数为20天。
技术研发人员：梁吉业，刘雨璐，王智强，张凯涵，
申请(专利权)人：山西大学，
类型：发明
国别省市：山西;14
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。