基于点割集图分割的矩阵变换与分解的商品推荐方法技术

本发明专利技术公开了一种基于点割集图分割的矩阵变换与分解的商品推荐方法，包括：1)获取基础数据，构建原始评分矩阵；2)利用基于社区发现的点割集图分割算法，将原始评分矩阵转换为双边块对角矩阵，将双边块对角矩阵的双边和对角块拼接为包含若干个子矩阵的块对角矩阵；3)基于拼接而成的块对角矩阵中的子矩阵，执行矩阵分解算法，得到分解结果的集合；4)根据分解结果的集合，预测空白评分，得到原始矩阵的近似矩阵；5)根据近似矩阵对用户进行个性化商品推荐。本发明专利技术将基于双边块对角矩阵的矩阵分解方法作为个性化推荐的一种有效手段，有效缓解推荐系统中的数据稀疏问题，以及矩阵分解算法效率低下的问题，在提升预测精度的同时，缩短推荐所花费时间。

【技术实现步骤摘要】
基于点割集图分割的矩阵变换与分解的商品推荐方法
本专利技术涉及大数据分析及推荐的
，尤其是指一种基于点割集图分割的矩阵变换与分解的商品推荐方法。
技术介绍
随着互联网的高速发展，人们在线上的活动也变得越来越频繁，与此同时，越来越多的用户在互联网上产生各种各样的行为，也因此产生了庞大且复杂的数据集。如何利用这些庞大的数据集将个性化推荐应用到不同的场景是当下需要解决的热点问题。协同过滤算法充分利用集体的智慧，通过分析大量用户的行为，挖掘某些隐含的模式，基于协同过滤的推荐算法得到了最广泛以及最深入的研究。其中，基于矩阵分解得到的隐变量模型的协同过滤是最为高效的协同过滤算法之一，目前的矩阵分解算法虽然在预测的精度方面有着较好的表现，但是矩阵分解算法依旧面临着以下的一些问题：1)数据的稀疏性，在实际的系统中，通常用户只对系统中极个别的物品进行过评分，如果直接对整个原始矩阵进行矩阵分解，必然会带来计算量庞大的问题；2)数据的变化性，在实际的系统中，用户的行为数据会不断变化，矩阵模型的局部变化也会对整个模型带来改变，如何对模型进行重复训本文档来自技高网...

【技术保护点】
1.基于点割集图分割的矩阵变换与分解的商品推荐方法，其特征在于，包括以下步骤：/n1)获取用户对物品的评分，构建原始的评分矩阵，评分矩阵包括所有评分信息，数据来源于购物系统中用户的评分反馈，若某用户对某物品无评分记录，则在评分矩阵中记为空值；/n2)利用基于社区发现的点割集图分割算法进行矩阵变换，通过控制目标对角块的密度，将原始的评分矩阵转换为密度更高的双边块对角矩阵，并将双边块对角矩阵的双边和对角块拼接为包含若干个子矩阵的块对角矩阵；/n3)基于双边块对角矩阵拼接而成的包含若干个子矩阵的块对角矩阵，对其子矩阵执行矩阵分解算法，得到矩阵分解结果的集合；/n4)根据矩阵分解结果的集合，对矩阵分解...

【技术特征摘要】
1.基于点割集图分割的矩阵变换与分解的商品推荐方法，其特征在于，包括以下步骤：
1)获取用户对物品的评分，构建原始的评分矩阵，评分矩阵包括所有评分信息，数据来源于购物系统中用户的评分反馈，若某用户对某物品无评分记录，则在评分矩阵中记为空值；
2)利用基于社区发现的点割集图分割算法进行矩阵变换，通过控制目标对角块的密度，将原始的评分矩阵转换为密度更高的双边块对角矩阵，并将双边块对角矩阵的双边和对角块拼接为包含若干个子矩阵的块对角矩阵；
3)基于双边块对角矩阵拼接而成的包含若干个子矩阵的块对角矩阵，对其子矩阵执行矩阵分解算法，得到矩阵分解结果的集合；
4)根据矩阵分解结果的集合，对矩阵分解中重复预测的子矩阵求平均，预测空值评分，得到原始矩阵的近似矩阵；
5)根据原始矩阵的近似矩阵对用户进行个性化商品推荐，优先将高评分的物品推荐给用户。


2.根据权利要求1所述的基于点割集图分割的矩阵变换与分解的商品推荐方法，其特征在于：在步骤2)中，所述基于社区发现的点割集图分割算法进行矩阵变换，其步骤包括：
2.1)对于由顶点集合V及其对应的边集合E构成的二部图G(V,E)，有顶点集合且有顶点集合如果删除V′后，G不再连通，但如果删除V′的子集V″后G依旧是连通图，那么称V′为二部图G的一个点割集，首先将原始矩阵转换成二部图的形式，并将二部图所有的点割集划分出来；
2.2)控制目标对角块的密度，移除点割集，以及点割集顶点对应的边，得到k个互不连通的连通分支，这k个连通分支对应双边块对角矩阵的k个对角块，被移除的点割集，对应双边块对角矩阵的双边；
2.3)将双边块对角矩阵中的k个对角块与双边拼接，得到k个密度比原始矩阵更高的子矩阵，基于k个子矩阵构造一个不在对角线上元素全为空值的块对角矩阵，每个子矩阵为块对角矩阵的一个对角块。


3.根据权利要求1所述的基于点割集图分割的矩阵变换与分解的商品推荐方法，其特征在于：在步骤3)中，所述对块对角矩阵的子矩阵执行矩阵分解算法并得到分解结果的集合，包括以下步骤：
3.1)定义矩阵分解算法中的预测函数f(x)＝x，对于块对角矩阵X对角线上每个子矩阵Xii有Xii≈f(UVT)＝UiViT，1≤i≤k；
式中，x是用户对物品的评分；k为对角块个数；U、V为矩阵分解后分解结果的集合；Ui、Vi是第i个子矩阵Xii的分解结果；
3.2)定义矩阵分解算法中的损失函数DW，令其等于每个预测点的损失值的平方与其权重W的乘积之和，损失值用真实值与预测...

【专利技术属性】
技术研发人员：何亦琛，古万荣，梁早清，毛宜军，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东;44