[發明專利]基于超圖結構的社交網絡推薦模型構建方法

有效

• 申請號: 201710271141.0
• 申請日: 2017-04-24
• 公開（公告）號: CN107145541B
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 鄭孝遙;孫麗萍;陳付龍;陳文;羅永龍
• 申請（專利權）人: 安徽師范大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00
• 代理公司: 蕪湖安匯知識產權代理有限公司 34107
• 代理人: 尹安

本發明適用于個性化推薦領域，提供了一種基于超圖結構的社交網絡推薦模型構建方法，該方法包括如下步驟：基于社交網絡中的用戶?項目評分矩陣構建以項目為中心的超圖及以用戶為中心的超圖；計算用戶評價相似度，項目特征相似度及用戶特征相似度；在矩陣因子分解模型的基礎上，融入用戶評價相似度、用戶特征相似度和項目特征相似度，獲取目標函數；對目標函數采用隨機梯度下降算法，迭代求出用戶潛在因子矩陣及項目潛在因子矩陣；基于用戶潛在因子矩陣及項目潛在因子矩陣預測用戶對項目的評分，向用戶推薦預測評分最高的項目。本發明實施例在矩陣因子分解模型的基礎上，融入用戶特征、項目特征、用戶評分，推薦模型描述更為全面，提高推薦準確率。

技術領域

本發明屬于個性化推薦技術領域，尤其涉及一種基于超圖結構的社交網絡推薦模型構建方法。

背景技術

隨著網絡信息以指數級增長，如何提高信息利用效率，緩解信息過載問題一直是一個重要的研究領域。其中推薦系統是解決上述問題的重要途徑，目前推薦系統在電子商務、信息檢索、智慧旅游、網絡廣告、移動應用、輿情預測等領域有著重要作用，自2006年Netflix宣布推薦系統競賽以來，激起了很多科研工作者的興趣，其中推薦準確性成了各個推薦系統最重要的衡量指標。

傳統的KNN協同過濾推薦，由于只利用鄰居用戶評分信息對推薦項目進行預測，因而造成推薦準確度較低的問題。

發明內容

本發明實施例提供一種基于超圖結構的社交網絡推薦模型構建方法，旨在解決傳統的KNN協同過濾推薦，由于只利用鄰居用戶評分信息對推薦項目進行預測，因而造成推薦準確度較低的問題。

本發明實施例提供了一種基于超圖結構的社交網絡推薦模型構建方法，該方法包括如下步驟：

S1、基于社交網絡中的用戶-項目評分矩陣構建以項目為中心的超圖及以用戶為中心的超圖；

S2、基于所述項目為中心的超圖及所述以用戶為中心的超圖確定用戶的鄰居用戶和項目的鄰接項目，計算用戶評價相似度，項目特征相似度及用戶特征相似度；

S3、在矩陣因子分解模型的基礎上，融入用戶評價相似度、用戶特征相似度和項目特征相似度，獲取目標函數；

S4、對目標函數采用隨機梯度下降算法，可迭代求出用戶潛在因子矩陣P_i及項目潛在因子矩陣Q_j；

S5、基于用戶潛在因子矩陣P_i及項目潛在因子矩陣Q_j預測用戶對項目的評分，向用戶推薦預測評分最高的項目。

本發明實施例在矩陣因子分解模型的基礎上，融入社交網絡中存在多種社交信息，包括用戶特征、項目特征、用戶評分，因而使得推薦模型描述得更為全面，從而提高推薦系統的準確率。

附圖說明

圖1為本發明實施例提供的基于超圖結構的社交網絡推薦模型構建方法的流程圖；

圖2為本發明實施例提供的用戶對電影的評價表；

圖3為本發明實施例提供的基于用戶對電影的評價表構建的以用戶為中心的超圖；

圖4為本發明實施例提供的基于用戶對電影的評價表構建的以項目為中心的超圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

圖1為本發明實施例提供的基于超圖結構的社交網絡推薦模型構建方法的流程圖，該方法包括如下步驟：

S1、基于社交網絡中的用戶-項目評分矩陣構建以項目為中心的超圖及以用戶為中心的超圖；