基于即时学习的个性化推荐方法和系统技术方案

本发明专利技术提供一种基于即时学习的个性化推荐方法、系统、存储介质和电子设备，涉及信息推荐领域。本发明专利技术包括获取查询用户对推荐信息的第一历史评分矩阵；计算查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；将相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；根据第一历史评分矩阵和回归系数矩阵，获取查询用户对待推荐信息的评分预测值。将时间要素考虑到推荐算法之中，从历史数据中找出与当前查询样本最匹配的样本数据进行局部建模，从而可以有效解决变量的非线性和跳跃性的变化问题，提高输出推荐的预测精度，有利于体现用户兴趣即时变化，解决了已有的个性化推荐算法不能即时反应用户的兴趣漂移问题。

【技术实现步骤摘要】
基于即时学习的个性化推荐方法和系统
本专利技术涉及信息推荐
，具体涉及一种基于即时学习的个性化推荐方法、系统、存储介质和电子设备。
技术介绍
随着移动终端和互联网的不断普及，互联网已经成为人们日常生活中不可或缺的一部分，每个平台应用每天都会产生大量的用户行为数据。然而互联网的信息过载问题，使得人们无法立刻从海量信息中提取自己需要的信息。为解决该问题，推荐系统应运而生，其核心思想是通过用户历史行为数据猜测出用户的兴趣爱好，并且根据猜测的爱好推荐相匹配的商品信息。近年来，基于KNN的协同过滤算法是推荐系统中最常使用的协同过滤方法。协同过滤是推荐系统应用得最为广泛的技术之一，它主要通过考虑用户与用户之间、物品与物品之间的相似度，来向用户推荐物品，关键步骤包括为目标用户选取近邻和对商品进行预测评分。但是，现有信息推荐方法存在两个问题。其一，因为KNN方法需要对两两用户之间的相似度进行计算，当用户数量较大时会导致计算量较大。其二，用户的兴趣爱好和行为数据是实时发生变化的，但KNN方法是基于历史样本离线训练建立全局模型，模型一旦训练完本文档来自技高网...

【技术保护点】
1.一种基于即时学习的个性化推荐方法，其特征在于，包括：/nS1、获取查询用户对推荐信息的第一历史评分矩阵；/nS2、计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；/nS3、将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；/nS4、根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。/n

【技术特征摘要】
1.一种基于即时学习的个性化推荐方法，其特征在于，包括：
S1、获取查询用户对推荐信息的第一历史评分矩阵；
S2、计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；
S3、将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；
S4、根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述待推荐信息的评分预测值。


2.如权利要求1所述的个性化推荐方法，其特征在于，所述步骤S2包括：
S21、采用欧式距离计算查询用户与其他用户的相似性，获取所述相似用户的第二历史评分矩阵；
S22、根据所述相似用户的第二历史评分矩阵uh，得到相似样本矩阵。


3.如权利要求1所述的个性化推荐方法，其特征在于，所述步骤S3中的局部加权回归模型的构建过程包括：
将所述相似样本矩阵中每一个相似用户的第二历史评分矩阵作为一条第一训练样本；确定该用户对待推荐信息的评分值，将该用户对所述推荐信息的评分值作为该条第一训练样本的预测标签；根据所述多个用户对应的所述第一训练样本和所述预测标签，构建局部加权回归模型。


4.如权利要求3所述的个性化推荐方法，其特征在于，所述步骤S3具体包括：
S31、根据所述相似样本矩阵，确定训练样本的权值及带宽；
S32、根据所述对角矩阵，结合相似用户对待推荐信息的评分值，获取回归系数矩阵



其中，X表示相似样本矩阵；Ω表示具有wh作为其第h个对角线元素的对角矩阵；Y表示相似用户u...

【专利技术属性】
技术研发人员：宗兰芳，刘业政，张璐，周芦娟，鲁泽昊，吴乐乐，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34