【技术实现步骤摘要】
基于用户关系和行为的图推荐方法、装置、介质和设备
[0001]本专利技术涉及互联网
,特别涉及一种基于用户关系和行为的图推荐方法、装置、介质和设备。
技术介绍
[0002]随着互联网数据的不断增加,用户越来越难以从海量的数据中筛选出有效的数据,产生信息过载的问题。个性化推荐系统的产生就是为了解决这个问题,它能分析用户的历史行为信息,计算出用户的兴趣偏好,从而从海量的数据中找到用户偏好的信息。已有的推荐算法主要分为:基于内容的推荐、基于关联规则的推荐、协同过滤推荐、利用社交数据进行推荐等。
[0003]其中使用最广泛的是协同过滤推荐,分为基于用户的协同过滤和基于项目的协同过滤,其思想是通过用户的行为计算用户的相似度和物品的相似度,然后给用户推荐物品。该算法是基于相似的用户会购买相同的物品,相似的物品可能受到同一用户喜欢。协同推荐算法的问题是更适合用于推荐物品,不易于推荐其他类型的信息。图推荐算法是一种利用用户行为数据来建立图模型,通过计算任意两个节点的相似度,从而为用户节点推荐与其相似度最高的其他节点。图推荐算法可以给用户推荐物品,也可以推荐具有共同兴趣的用户。基于用户行为数据的推荐算法存在一个共同问题,即当系统中用户行为非常稀疏时,推荐的准确率和召回率会大幅下降。
[0004]在公开号为CN104376083A的专利申请中公开了一种基于关注关系和多用户行为的图推荐方法。该方法包括(1)根据用户对物品的行为数据建立用户行为图;根据用户的关注关系建立关注图;(2)在用户行为图上进行一轮随机游走,计算 ...
【技术保护点】
【技术特征摘要】
1.一种基于用户关系和行为的图推荐方法,其特征在于,包括:步骤S100:计算用户对项目的评分,建立用户
‑
项目关系图;步骤S200:计算用户相似度,寻找用户的最近邻居集;步骤S300:计算项目相似度,寻找项目的最近邻居集;步骤S400:分别计算通过相似用户和通过相似项目得到的项目预测评分,进行混合预测,生成推荐列表;步骤S500:根据推荐的用户行为,更新用户
‑
项目评分矩阵。2.根据权利要求1所述的方法,其特征在于,所述步骤S100包括:步骤S110:设置用户行为对项目评分产生的贡献程度;步骤S120:计算用户
‑
项目评分矩阵,计算公式如下:项目评分矩阵,计算公式如下:其中,是一个n
×
m的矩阵,n表示项目数量,m表示用户对项目的m种行为;weight表示用户对项目的m种行为所占项目评分的权重;表示第i个用户对所有项目的评分;score为用户
‑
项目评分矩阵;步骤S130:将用户和项目作为节点,若用户对项目评分大于0,建立连接,连接边的值为评分值;步骤S140:根据项目关系图谱中的项目关系数据连接项目。3.根据权利要求1所述的方法,其特征在于,所述步骤S200包括:步骤S210:判断用户是否为新用户,若用户使用过的项目个数小于g,则判定为新用户,进行步骤S220;否则判定为老用户,进行步骤S250;步骤S220:用户的k项基本信息值attr
ε
(ε=1,2,3,...,k),分别给不同的属性信息分配权重λ
ε
,其中ε表示序号;步骤S230:计算用户之间的特征差,用attr(u,v)表示,计算方式如下;其中,λ
ε
满足:u表示用户u;v表示用户v;步骤S240:计算用户特征相似度,然后进行步骤S260;步骤S250:根据用户的行为计算行为特征差,计算基于用户行为的用户相似度;步骤S260:将用户特征信息相似度或基于用户行为的用户相似度值较大的前K个用户判定为目标用户的邻居用户,连接目标用户及其邻居用户,连接边的值为用户相似度。4.根据权利要求3所述的方法,其特征在于,所述步骤S240中,计算用户特征相似度的方法为:求得用户特征差值attr(u,v)后,利用Sigmoid函数,计算用户u和用户v之间的用户特征信息相似度sim
attr
(u,v);
5.根据权利要求4所述的方法,其特征在于,所述步骤S250中,计算过程如下:5.根据权利要求4所述的方法,其特征在于,所述步骤S250中,计算过程如下:score
u
、score
v
分别表示用户u和用户v对所有项目的评分,用户u和用户v表示的相似度。6.根据权利要求1
‑
5任一项所述的方法,其特征在于,所述步骤S300包括:步骤S310:判断项目为新项目还是老项目,...
【专利技术属性】
技术研发人员:曹建军,汪挺,周晓磊,翁年凤,袁震,江春,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
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。