[發明專利]一種基于高斯混合的大數據智能推薦方法

有效

• 申請號: 201710844205.1
• 申請日: 2017-09-19
• 公開（公告）號: CN107545471B
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 楊永麗;寧振虎;薛菲;公備;王昱波
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q30/06;G06K9/62;G06N3/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了一種基于高斯混合的智能推薦方法，屬于大數據智能推薦領域；本發明基于高斯混合模型的協同過濾推薦算法GMM?TCF的研究及應用，主要包括用戶和項目聯合概率的生成、如何定義大數據推薦模型中的最大似然函數、如何對大數據推薦模型中的高斯混合參數進行初始化和優化、以及怎么樣將基于高斯混合的用戶興趣度模型與基于項目的推薦模型進行線性結合。一方面從最初用戶屬于某一個聚類到多個聚類的轉變，這使得用戶的興趣得到了極大的體現；另一方面，通過添加項目時間因子，提高了項目之間的相似度，從而建立基于項目的預測模型，使得算法的推薦效果更好，推薦精度更高。

技術領域

本發明涉及一種基于高斯混合的智能推薦方法，屬于大數據智能推薦領域，涉及大數據推薦模型與群智能優化算法的結合及使用。

背景技術

隨著電子商務的發展，商家提供的商品種類和數量急劇增長。具有明確需求的用戶可直接通過搜索查找想購買的商品即可。然而，實際中用戶需求通常具有不確定性和模糊性。據亞馬遜統計，在其網站購物的客戶中，有明確購買意向的僅占16％。如果商家能夠從海量的商品中把滿足用戶模糊需求的商品主動推薦給用戶，則有望將潛在需求轉化為實際需求，不僅能提高電子商務網站的銷售量，還有助于提高用戶對網站的忠誠度。在此背景下，能夠根據用戶特征有針對性推薦商品的個性化推薦系統應運而生，并被廣泛應用。包括Amazon、eBay、YouTube和Google在內的諸多網站都部署了不同形式的推薦系統，并產生了巨大的商業利潤。據統計，2006年推薦系統為Amazon提高了30％的銷售額。推薦系統具有重要的應用價值，不僅成為計算機領域具有挑戰性的研究課題之一，還吸引了來自數學、物理、認知、人工智能、管理、市場營銷等眾多領域的研究者。

因此如何有效地利用數據挖掘和機器學習方法向用戶推薦有價值的個性化信息成為有很強實際意義的問題。協同過濾是一種能夠產生個性化推薦的有效技術，在各種推薦系統中都得到廣泛應用，其基本任務是根據相似的偏好匹配用戶，以推薦用戶可能會喜歡的項目。協同過濾算法一般可以分為基于內存和基于模型。其中，基于內存的協同過濾又可分為基于用戶和基于項目。前者是計算用戶間相似度，得到與目標用戶興趣偏好相似的最近鄰，以此為基礎進行預測推薦。它沒有對原有數據進行學習的能力，不具有很好的擴展性，且存在冷啟動問題。而基于項目的推薦是從商品角度計算項目之間的相似度，通過項目的最近鄰搜索來產生推薦。一般來講，項目間相似度比用戶偏好的相似度穩定，離線對前者進行計算，避免了線上大數量級用戶的最近鄰搜索，大大降低了在線計算量。與基于內存的算法不同，基于模型的算法不是直接通過用戶-項目原始評分數據進行計算推薦，而是用機器學習的方法對數據進行學習建模，再通過模型預測用戶對未評分項目的習慣偏好。常用的模型包括貝葉斯、奇異值分解(Singular ValueDecomposition，SVD)、潛在語義分析(Latent Semantic Analysis，LSA)、概率潛在語義分析(Probabilistic Latent SemanticAnalysis，PLSA)等。

然而，基于模型的算法有必要考慮如下問題：第一，用戶對項目評分的高低受多種因素影響，包括用戶對項目主題/內容的感興趣程度，用戶的評分習慣，項目本身的品質等。第二，單一的潛變量很難同時體現用戶與用戶，項目與項目，用戶與項目之間的關系，需要將用戶按照相似的興趣和偏好聚類，將項目按照相似的主題和內容聚類。第三，通常的“硬”聚類方式，即每個用戶或項目只屬于單一的一個類，很難描述同一用戶可能具有的多種興趣以及同一項目的多種不同屬性。比較合理的做法是“軟”聚類，每個用戶或項目依概率屬于多個類，用戶在某類上概率值的大小反映了用戶對這一類的偏好程度，項目亦然。