基于矩阵分解融合用户社交信息的商品推荐方法及系统技术方案

本发明专利技术请求保护一种基于矩阵分解融合用户社交信息的商品推荐方法及系统，属于计算机领域，该方法包括：构建用户

【技术实现步骤摘要】
基于矩阵分解融合用户社交信息的商品推荐方法及系统


[0001]本专利技术属于计算机应用
，尤其涉及一种基于矩阵分解融合用户社交信息的商品推荐方法。

技术介绍

[0002]互联网时代，如何有效调节多元化信息呈现出的丰富性与人们注意力的局限性之间的矛盾，已然成为当下信息产业亟需解决的技术难题。在此背景下，推荐系统应运而生，以应对大数据所引起的信息过载问题。
[0003]协同过滤是推荐系统背后的核心技术，其通过分析“用户
‑
物品”交互历史，预测未观测的“用户
‑
物品”相关性。但该方法的效果严重受限于数据稀疏问题，通常情况下已观测“用户
‑
物品”交互记录仅占UI矩阵的1％左右。为此，一些学者建议在矩阵分解模型中引入用户社交关系，以期缓解UI矩阵的数据稀疏问题。同时，基于(深度)神经网络的神经网络技术发展迅猛，被广泛用于各类社交网络分析任务。神经网络首先借助随机游走获取每个结点的高阶近邻关系，然后借助神经网络强大的特征转换和抽象能力，将复杂的社交拓扑结构嵌入到低维向量空间中。
[0004]上述现有技术中的社会化推荐方法的缺点为：经典社会化推荐系统(如SoRec模型和SoReg模型)多以启发式方法使用社交信息，难以深度挖掘社交网络的复杂拓扑结构。近年来，尽管一些社会化推荐系统尝试在社会化推荐系统中使用神经网络模型(如CUNE模型)，以期更好地挖掘和利用社交信息。但是由于技术原理不同，矩阵分解模型与神经网络模型很难整合，故而目前业界多采用两阶段学习方式：首先利用神经网络模型从“用户
‑
用户”社交网络中学习用户的社会化向量表示；据此作为修正信息，再利用矩阵分解模型从“用户
‑
物品”交互矩阵中学习用户特征和物品特征。这种两阶段方式存在两方面的弊端:
[0005]1)常规的神经网络模型采用无监督学习方式，其目的是通用的，而非为推荐任务订制的；而社交网络是复杂多面的，若没有监督信号加以引导，神经网络模型难以挖掘出那些有助于推荐系统的社交属性。
[0006]2)由于分离式的两阶段设计，神经网络模型与矩阵分解模型的目标函数不统一，这样第一阶段产生的最优结果，对第二阶段推荐任务而言未必最优；此外，神经网络模型含有大量参数，使得两个模型联合调参具有很大难度。
[0007]因此本专利技术通过设计统一目标函数无缝整合了矩阵分解模型与神经网络模型；基于统一的优化框架，实现了矩阵分解模型与神经网络模型之间的双向促进与协同优化，从而可向用户精准推荐其所感兴趣的物品。
[0008]经过检索，最接近的现有技术为，申请公开号CN110321494B，一种基于矩阵分解与网络嵌入联合模型的社会化推荐方法。该方法包括：构建用户
‑
物品评分矩阵和用户
‑
用户社交网络，同时根据用户
‑
用户社交网络生成用户社交语料；利用用户
‑
物品评分数据和用户社交语料训练矩阵分解与网络嵌入联合模型，得到用户特征矩阵和物品特征矩阵；根据用户特征矩阵和物品特征矩阵预测出未观测评分；将预测评分数值较高的若干物品推荐给
相应用户。本专利技术通过设计统一目标函数无缝整合了矩阵分解模型与网络嵌入模型；基于统一的优化框架，实现了矩阵分解模型与网络嵌入模型之间的双向促进与协同优化，从而可向用户精准推荐其所感兴趣的物品。该专利技术使用网络嵌入技术属于神经网络的一种，但嵌入后数据纬度降低，使离散的序列映射为连续的向量，这在推荐中会导致信息的缺失。另外该技术中将独热编码技术应用在推荐中，在真实的推荐环境中，由于项目的参数量巨大，会导致特征空间极大，映射后的向量容易产生维数灾难。针对第一个问题，本专利技术选择使用深度神经网络技术，深度神经网络的结构更为复杂，更解决推荐这类复杂的问题，虽然在模型训练上会增加成本，但最终的推荐效果会更好。其次对于独热编码导致维数灾难问题，本专利技术对原始用户项目评分矩阵进行数据归一化处理，避免了映射后的维数灾难。

技术实现思路

[0009]本专利技术旨在解决以上现有技术的问题。提出了一种基于矩阵分解融合用户社交信息的商品推荐方法及系统。本专利技术的技术方案如下：
[0010]一种基于矩阵分解融合用户社交信息的商品推荐方法，其包括以下步骤：
[0011]构建用户
‑
物品评分矩阵，所述评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分；
[0012]构建用户
‑
用户社交网络，所述社交网络中的节点表示用户，连接表示用户之间的某种社交关系，根据所述用户
‑
用户社交网络生成社交语料；
[0013]设定矩阵分解与神经网络混合模型的目标函数，利用所述用户
‑
物品评分矩阵和用户社交语料训练联合模型，得到用户特征矩阵和物品特征矩阵；
[0014]根据所述用户特征矩阵和所述物品特征矩阵预测出未观测评分；将评分数值较高的若干物品推荐给相应用户。
[0015]进一步的，所述用户
‑
物品评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分，具体包括：
[0016]利用已有的数据集构建用户
‑
物品评分矩阵，所述评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分，并对评分数据进行归一化处理，获得评分矩阵R∈[0,1]m
×
n
,其中m和n分别表示用户和物品数量，某用户对某物品的评分被量化为小数，数值越接近于1表示该用户越喜欢该物品，0表示未评分。
[0017]进一步的，所述构建用户
‑
用户社交网络，所述社交网络中的节点表示用户，连接表示用户之间的某种社交关系，根据所述用户
‑
用户社交网络生成社交语料；
[0018]利用已有的数据集构建用户
‑
用户社交网络，该社交网络中的连接用于记录用户间的社交关系；若两用户之间存在某种社交联系，则相应连接被标记为1；若没有社交联系，则标记为0；通过对所述用户
‑
用户社交网络进行截断式随机游走，得到每个用户的上下文用户集合，通过对所述用户
‑
用户社交网络进行负采样，得到每个用户的负样本集合，全部用户的上下文用户集合和负样本集合构成了所述社交语料。
[0019]进一步的，所述通过对所述用户
‑
用户社交网络进行截断式随机游走处理，得到每个用户的上下文用户集合，包括:
[0020]从每个节点出发，在用户
‑
用户社交网络上运行截断式随机游走，在随机游走过程中，从用户u跳转到用户υ的概率定义如下:
[0021][0022]其中，co(u,v)代表用户u和用户v共同评价过的物品数目，d
+
(u)代表用户u在社交网络中的节点出度，F
u
代表用户u的好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于矩阵分解融合用户社交信息的商品推荐方法，其特征在于，包括以下步骤：构建用户
‑
物品评分矩阵，所述评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分；构建用户
‑
用户社交网络，所述社交网络中的节点表示用户，连接表示用户之间的某种社交关系，根据所述用户
‑
用户社交网络生成社交语料；设定矩阵分解与神经网络混合模型的目标函数，利用所述用户
‑
物品评分矩阵和用户社交语料训练联合模型，得到用户特征矩阵和物品特征矩阵；根据所述用户特征矩阵和所述物品特征矩阵预测出未观测评分；将评分数值较高的若干物品推荐给相应用户。2.根据权利要求1所述的基于矩阵分解融合用户社交信息的商品推荐方法，其特征在于，所述用户
‑
物品评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分，具体包括：利用已有的数据集构建用户
‑
物品评分矩阵，所述评分矩阵中的行和列分别表示用户和物品，所述评分矩阵中的元素值表示用户对物品的评分，并对评分数据进行归一化处理，获得评分矩阵R∈[0,1]
m
×
n
,其中m和n分别表示用户和物品数量，某用户对某物品的评分被量化为小数，数值越接近于1表示该用户越喜欢该物品，0表示未评分。3.根据权利要求1或2所述的基于矩阵分解融合用户社交信息的商品推荐方法，其特征在于，所述构建用户
‑
用户社交网络，所述社交网络中的节点表示用户，连接表示用户之间的某种社交关系，根据所述用户
‑
用户社交网络生成社交语料；利用已有的数据集构建用户
‑
用户社交网络，该社交网络中的连接用于记录用户间的社交关系；若两用户之间存在某种社交联系，则相应连接被标记为1；若没有社交联系，则标记为0；通过对所述用户
‑
用户社交网络进行截断式随机游走，得到每个用户的上下文用户集合，通过对所述用户
‑
用户社交网络进行负采样，得到每个用户的负样本集合，全部用户的上下文用户集合和负样本集合构成了所述社交语料。4.根据权利要求3所述的基于矩阵分解融合用户社交信息的商品推荐方法，其特征在于，所述通过对所述用户
‑
用户社交网络进行截断式随机游走处理，得到每个用户的上下文用户集合，包括：从每个节点出发，在用户
‑
用户社交网络上运行截断式随机游走，在随机游走过程中，从用户u跳转到用户v的概率定义如下：其中，co(u，v)代表用户u和用户v共同评价过的物品数目，d
+
(u)代表用户u在社交网络中的节点出度，F
u
代表用户u的好友集合；w表示集合F
u
中的任意用户；设截断式随机游走序列长度为L，对于用户u而言，根据概率转移公式计算从用户u转移到其朋友的概率，然后选择概率最大的朋友v作为其下一跳的节点，以此类推，直到产生长度为L的节点序列；最后利用滑动窗口从每个节点序列中为每个用户寻找上下文用户集合；当滑动窗口停在节点序列中的某个位置时，处于中间位置的用户称为中心用户u，处于窗口内其它位置的用户构成了用户u的上下文用户集合
5.根据权利要求3所述的基于矩阵分解融合用户社交信息的商品推荐方法，其特征在于，所述通过对用户
‑
用户社交网络进行负采样，得到每个用户的负样本集合，包括：对任意用户u来说，根据其非上下文用户在社交语料中的出现频率，及其在评分数据中的活跃程度，获取用户u的负样本集合对...

【专利技术属性】
技术研发人员：黄海辉，产拙，解绍词，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：