[發明專利]基于物品間情景化隱式關系的協同過濾方法

有效

• 申請號: 201210245642.9
• 申請日: 2012-07-16
• 公開（公告）號: CN102789499A
• 公開（公告）日: 2012-11-21
• 發明（設計）人: 徐從富;劉強;王鋮微
• 申請（專利權）人: 浙江大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 張法高

技術領域

本發明涉及協同過濾方法，尤其涉及一種基于物品間情景化隱式關系的協同過濾方法。

背景技術

近年來，隨著互聯網信息過載問題的日益嚴重，很多服務的提供都迫切需要個性化推薦系統的支持。然而，傳統的推薦技術只考慮了兩種實體即“用戶”和“項目”，而忽略了情景信息（如時間、位置、人員、活動狀態、設備狀況、網絡條件等）對推薦的影響。為此，情景感知推薦系統逐漸受到關注，實踐證明，情景信息的引入能夠有效提高推薦的準確度和個性化程度。

目前，情景感知的推薦算法主要分成三大類：（1）情景相關的預過濾：從觀測數據中抽取出與目標用戶當前情景相關的數據，再利用得到的數據訓練傳統二維空間的推薦算法并進行預測。（2）情景相關的后過濾：首先應用傳統的二維空間上的推薦算法來進行預測，再利用情景信息對推薦列表進行修正。（3）情景相關的建模：直接基于包含情景的用戶偏好數據建立模型，將情景信息融入整個推薦生成過程。

上述情景感知推薦算法存在以下不足：（1）數據稀疏性問題：隨著情景信息的引入，三維的用戶-物品-情景評分矩陣比傳統的用戶-物品評分矩陣更加稀疏，情景相關的預過濾和后過濾的推薦方法難以獲得理想的準確度。（2）可擴展性問題。盡管情景相關的建模方法，比情景相關的預過濾方法和后過濾方法更能適應稀疏的數據，但是目前已有的情景相關的建模方法往往計算復雜度較高，可擴展性差。

發明內容

本發明的目的是克服現有技術的不足，提供一種基于物品間情景化隱式關系的協同過濾方法。

基于物品間情景化隱式關系的協同過濾方法的步驟如下：

1)從原始用戶-物品-情景三維評分數據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系數計算物品之間的相似度，建立物品隱式關系矩陣；

4)將物品隱式關系矩陣融入概率矩陣分解模型，為用戶生成個性化推薦。

所述的情景是影響用戶與推薦系統交互的因素包括時間、地點；所述的用戶-物品-情景三維評分數據是由網站記錄的用戶與推薦系統的交互數據，即用戶在不同情境下對不同物品的評分。

所述的步驟1)為：(1)計算用戶在各個情景下的活躍程度：D_ik=N_ik/N_i，其中D_ik表示用戶i在情景k下的活躍程度，N_ik表示用戶i在情景k下的評分個數，N_i表示用戶i的評分總個數；(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，n表示物品個數，k表示情景個數，是實數空間，矩陣R_ic中第j行，第k列的元素r_jk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。

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R_ic是物品-情景矩陣，I_n×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I_n×f和中的元素是模型參數，在分解過程中，通過隨機梯度下降的方法最小化目標函數獲得模型參數，其中r_jk是物品j在情景k下的評分，||·||_F表示Frobenius范數，I_i和C_k分別表示矩陣I_n×f的第i行和矩陣的第k行；物品隱因子矩陣I_n×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。

所述的步驟3)為：利用皮爾遜相關系數計算物品相對于情景的隱式特征向量之間的相似度，建立物品隱式關系矩陣S：其中I_i表示物品i相對于情景的隱式特征向量，I_if為I_i的第f維，為I_i中各元素的平均值。