[發(fā)明專利]基于物品間情景化隱式關(guān)系的協(xié)同過濾方法有效
| 申請?zhí)枺?/td> | 201210245642.9 | 申請日： | 2012-07-16 |
| 公開（公告）號： | CN102789499A | 公開（公告）日： | 2012-11-21 |
| 發(fā)明（設(shè)計）人： | 徐從富;劉強;王鋮微 | 申請（專利權(quán)）人： | 浙江大學(xué) |
| 主分類號： | G06F17/30 | 分類號： | G06F17/30 |
| 代理公司： | 杭州求是專利事務(wù)所有限公司 33200 | 代理人： | 張法高 |
| 地址： | 310027 浙*** | 國省代碼： | 浙江;33 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 物品 情景 化隱式 關(guān)系 協(xié)同 過濾 方法 | ||
1.一種基于物品間情景化隱式關(guān)系的協(xié)同過濾方法其特征在于它的步驟如下：
1)從原始用戶-物品-情景三維評分?jǐn)?shù)據(jù)中提取物品在不同情景下的評分，建立物品-情景評分矩陣；
2)通過矩陣分解的方法對物品-情景評分矩陣進行分解，獲得物品相對于情景的隱因子矩陣；
3)使用物品的隱因子矩陣為每一個物品建立情景化的特征向量，進而利用皮爾遜相關(guān)系數(shù)計算物品之間的相似度，建立物品隱式關(guān)系矩陣；
4)將物品隱式關(guān)系矩陣融入概率矩陣分解模型，為用戶生成個性化推薦。
2.根據(jù)權(quán)利要求1所述的一種基于物品間情景化隱式關(guān)系的協(xié)同過濾方法，其特征在于所述的情景是影響用戶與推薦系統(tǒng)交互的因素包括時間、地點；所述的用戶-物品-情景三維評分?jǐn)?shù)據(jù)是由網(wǎng)站記錄的用戶與推薦系統(tǒng)的交互數(shù)據(jù)，即用戶在不同情境下對不同物品的評分。
3.根據(jù)權(quán)利要求1所述的一種基于物品間情景化隱式關(guān)系的協(xié)同過濾方法，其特征在于所述的步驟1)為：(1)計算用戶在各個情景下的活躍程度：Dik=Nik/Ni，其中Dik表示用戶i在情景k下的活躍程度，Nik表示用戶i在情景k下的評分個數(shù)，Ni表示用戶i的評分總個數(shù)；(2)從用戶-物品-情景三維評分矩陣中提取物品-情景矩陣這里m表示用戶個數(shù)，n表示物品個數(shù)，k表示情景個數(shù)，是實數(shù)空間，矩陣Ric中第j行，第k列的元素rjk表示物品j在情景k下的評分，并有其中表示用戶i在情景k下對物品j的評分。
4.根據(jù)權(quán)利要求1所述的一種基于物品間情景化隱式關(guān)系的協(xié)同過濾方法，其特征在于所述的步驟2)為：采用矩陣分解的方法分解物品-情景評分矩陣，得到物品的隱因子矩陣：其中Ric是物品-情景矩陣，In×f是物品的隱因子矩陣，是情景的隱因子矩陣。這里隱因子矩陣In×f和中的元素是模型參數(shù)，在分解過程中，通過隨機梯度下降的方法最小化目標(biāo)函數(shù)獲得模型參數(shù)，其中rjk是物品j在情景k下的評分，||·||F表示Frobenius范數(shù)，Ii和Ck分別表示矩陣In×f的第i行和矩陣的第k行；物品隱因子矩陣In×f反映了物品相對于情景的隱式特征，其第i行即表示物品i相對于情景的隱式特征向量。
5.根據(jù)權(quán)利要求1所述的一種基于物品間情景化隱式關(guān)系的協(xié)同過濾方法，其特征在于所述的步驟3)為：利用皮爾遜相關(guān)系數(shù)計算物品相對于情景的隱式特征向量之間的相似度，建立物品隱式關(guān)系矩陣S：其中Ii表示物品i相對于情景的隱式特征向量，Iif為Ii的第f維，為Ii中各元素的平均值。
6.根據(jù)權(quán)利要求1所述的一種基于物品間情景化隱式關(guān)系的協(xié)同過濾方法，其特征在于所述的步驟4）為：（1）在概率矩陣分解模型的基礎(chǔ)上引入物品間的隱式關(guān)系信息，使物品的隱因子向量受其鄰居的影響；在普通概率矩陣分解模型中，物品的隱因子矩陣的條件概率是其中V表示物品的隱因子矩陣，N表示正態(tài)分布，其期望為0，方差為σ2I，I表示單位矩陣；而在改進的概率矩陣分解模型中，物品隱因子矩陣的條件概率是其中與普通概率矩陣分解模型相同，仍然是正太分布；而其中S表示物品間的隱式關(guān)系矩陣，Sij表示物品i與物品j之間的隱式關(guān)系值，Ni表示物品i的鄰居集合，即與物品i隱式關(guān)系最近的物品的集合，Vi是矩陣V的第i行，即物品i的隱因子向量；最終需要最大化的隱因子矩陣的后驗概率為：
其中R是用戶-物品評分矩陣，U和V分別表示用戶和物品的隱因子矩陣，是指示函數(shù)，如果在R中有用戶u對物品i的評分，則否則采用隨機梯度下降的方法最大化步驟（1）中的獲得隱因子矩陣U和V，并使用預(yù)測未知評分，進而為每個用戶個性化推薦top-N個物品。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于浙江大學(xué)，未經(jīng)浙江大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201210245642.9/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
