[發明專利]基于異構信息網絡的內容提供方法及系統

有效

• 申請號: 201410222787.6
• 申請日: 2014-05-26
• 公開（公告）號: CN104077351B
• 公開（公告）日: 2017-01-25
• 發明（設計）人: 張邦佐;桂欣;何濤;楊晟雨;孫煥垚;韓宇茹
• 申請（專利權）人: 東北師范大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種內容提供方法及系統，特別是基于異構信息網絡的內容提供方法及系統。

背景技術

隨著科學技術的發展，目前已經進入了信息爆炸的時代，由于海量信息的涌現使得信息的利用率反而降低，從而出現了稱之為信息超載的現象。特別是在當前的大數據時代，如何從海量的數據中準確地找到自己所需要的信息，更是一個十分緊迫的問題。推薦系統就是解決這一問題的有效手段。

協同過濾方法是推薦系統中研究得最早，也是最多的領域，并在工業界得到了廣泛的應用。其基本思想是如果用戶在過去有相同的偏好，那么他們在未來也會有相似的偏好。純粹的協同過濾方法的輸入數據只有用戶-項目評分矩陣，因此它只應用了用戶對項目的歷史評分。協同過濾技術一般分為兩類：基于記憶的和基于模型的。其中基于記憶的方法是將原始評分數據保存在內存中，直接生成推薦結果；而基于模型的方法會首先離線處理原始數據，學習相應模型，通常采用各種矩陣分解方法。

無論是基于用戶的過濾還是基于項目的過濾其中最近鄰的計算都只依賴于用戶-項目評分矩陣。由于評分矩陣一般都非常稀疏，因此協同過濾的主要挑戰就是要用相對較少的有效評分來得到準確的預測。

發明內容

為解決現有技術的不足，本發明的目的在于提供一種基于異構信息網絡的內容提供方法及系統。

為實現上述目標，本發明采用如下的技術方案：

一種基于異構信息網絡的內容提供方法，在用戶訂閱了推薦服務時，使用最優預測矩陣向用戶推薦內容，該最優預測矩陣利用基于元路徑的相似度計算方法分別得出用戶和項目的相似度矩陣，利用矩陣相乘原理將用戶相似度矩陣、用戶-項目評分矩陣、項目相似度矩陣任意兩個或三個進行融合，得到用戶與項目之間的內在關系，之后再利用基于協同過濾的矩陣分解預測方法進行預測，最后合并結果，獲得最優預測矩陣。

獲得最優預測矩陣的步驟，具體包括：

步驟一：生成用戶集合和項目集合；

用戶集合：US＝{u₁,u₂,...,u_m}；

項目集合：WS＝{w₁,w₂,...,w_n}；

其中u_i代表參與推薦過程的活動用戶；w_i代表參與推薦過程的活動項目；

步驟二：生成屬性集合；

用戶屬性集合：UA＝{p₁,p₂,...,p_k}；

項目屬性集合：WA＝{q₁,q₂,...,q_t}；

其中p_i代表參與推薦過程的用戶某一方面的屬性；q_i代表參與推薦過程的項目某一方面的屬性；k和t分別表示參與推薦過程的用戶屬性數和項目屬性數；

步驟三：生成相似度矩陣；

采用基于元路徑的相似度計算方法分別計算用戶與項目各個屬性的相似度矩陣；

用戶間關于屬性p_i的相似度矩陣：U(p_i)∈R^m*m(0＜i≤k)；

項目間關于屬性q_i的相似度矩陣：W(q_i)∈R^n*n(0＜i≤t)；

其中R^i*j代表表示i行j列的方陣；

步驟四：矩陣融合；

通過基于元路徑的相似度計算后，可以得到多個用戶相似度矩陣U(p_i)，和多個項目相似度矩陣W(q_i)；

通過如下三種方式之一或多個進行矩陣融合：

融合方式1：(用戶-項目評分矩陣)×(項目相似度矩陣)

融合方式2：(用戶相似度矩陣)×(用戶-項目評分矩陣)

融合方式3：(用戶相似度矩陣)×(用戶-項目評分矩陣)×(項目相似度矩陣)；

步驟五：協同過濾；

使用矩陣分解算法進行推薦預測；

步驟六：矩陣合并；

針對多個元路徑和融合方法，以及多種矩陣分解方法運算后會得到多個結果預測矩陣，將這些預測矩陣合并獲得最優預測矩陣。

進一步的，在用戶輸入查詢內容時，從數據庫獲得初步的查詢結果，使用最優預測矩陣對該初步的查詢結果進行過濾。