[發明專利]一種基于動態臨近點譜聚類的個性化推薦方法

有效

• 申請號: 201710944655.8
• 申請日: 2017-10-12
• 公開（公告）號: CN107885778B
• 公開（公告）日: 2020-08-04
• 發明（設計）人: 陳晉音;吳洋洋;徐軒桁;宣琦;俞山青
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/2458;G06F16/9535;G06Q30/06
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于動態臨近點譜聚類的個性化推薦方法，依據用戶的簽到信息建立用戶?商店的二分網絡；將用戶?商店的二分網絡投影到用戶?用戶與商店?商店的兩個單邊網絡，利用node2vec算法將兩個加權的單邊網絡投影至兩個不同的向量空間中；調用基于動態臨近點的譜聚類算法分別對以上所得的用戶向量與商店向量進行聚類，得到多個用戶簇和商店簇；將單個用戶之間存在的簽到信息轉換成用戶簇與商店簇之間的簇網絡；利用K?means算法將該一維向量進行劃分成兩個類，簽到個數均值較多的類內的商店簇推薦給該用戶簇；依據每個用戶簇與所推薦的商店簇進行個性化推薦。本發明有效的提高了推薦方法的準確率。

技術領域

本發明屬于推薦方法領域，具體涉及一種基于動態臨近點譜聚類的個性化推薦方法。

背景技術

推薦技術包括基于內容和基于知識的推薦、協同過濾推薦等。基于內容和基于知識的推薦建立在對象內容的信息上進行推薦，不需要依賴于用戶對商店的評分。協同過濾推薦則能夠為用戶找到與自己喜好相似的人或者與自己喜愛的商店相似的商店進行推薦。在大多的推薦系統中，用戶對項目的評價或者消費記錄較少，也就使得用戶-項目評分矩陣已有評分記錄非常少，在為目標用戶尋找相似用戶時，數據稀疏成為了最大的障礙，直接影響推薦結果的準確性。

為了解決推薦系統中數據稀疏性產生的問題，聚類的思想被引入到推薦系統中。基于聚類的推薦系統通過將大量稀疏數據壓縮成一系列密集子集來解決數據稀疏性的問題。Xue等人利用K-means聚類算法對用戶進行聚類，為每個用戶在所在簇中選取K個最相似度的用戶作為臨近用戶；Guo等人提出了一種依據評分信息與社區信任關系不斷對用戶進行迭代聚類的聚類推薦算法。但是顯而易見的是，聚類結果會對基于聚類的推薦算法產生較大的影響，而且聚類算法普遍存在聚類中心難以確定和參數的魯棒性較差等問題，所以在聚類推薦算法中選取合適的推薦算法也是一個非常重要的問題。

Joseph等人通過主題模型將用戶進行分類，使其能夠同時區分出用戶的類型(旅客或者司機)和興趣；Rana等人提出了通過進化算法聚類用戶的動態推薦系統；Wang等人利用K-means算法將用戶進行聚類，并估計在用戶-商店矩陣中的評分，而得到目標用戶的偏好；Puntheeranurak等人提出了一種用模糊K-means聚類算法聚類用戶的混合推薦算法；Connor等人利用利用一些列劃分算法對項目進行聚類，并計算每個子集的預測值。

總的來說，目前的聚類推薦算法存在以下幾個問題：在社交網絡中，網絡特征的提取是一個十分重要的問題，哪種網絡特征提取的算法能夠更好的反映出數據庫中存在的用戶與商店之間網絡的特征；在聚類算法的選取中，聚類算法普遍存在聚類個數難以確定等問題，如何為聚類推薦算法選取合適的聚類算法能夠有效解決以上存在的問題；在對用戶與商店進行聚類后，如何為用戶簇推薦商店簇。

發明內容

為了能夠克服現有聚類推薦算法中網絡特征難以提取、聚類算法中聚類中心難以確定以及聚類效果較差和無法實現為用戶簇推薦商店簇等問題，本發明提供一種聚類效果較好、實現個性化推薦、為用戶簇個性化推薦商店簇的基于動態臨近點譜聚類的個性化推薦方法。

本發明解決其技術問題所采用的技術方案是：

一種基于動態臨近點譜聚類的個性化推薦方法，所述方法包括以下步驟：

1)將數據庫的簽到數據所對應的用戶-商店的二分網絡映射到兩個不同的向量空間中進行表示，過程如下：

1.1)首先，依據數據庫中的簽到數據建立用戶-商店的二分網絡，其中用戶與商店之間的權重為用戶訪問過該商店的次數；

1.2)將當前的用戶-商店網絡分別投影到用戶-用戶網絡以及商店-商店的網絡，其中用戶-用戶網絡的權重的大小為用戶去過的相同商店的個數，商店-商店的網絡的權重的大小為商店被訪問過的相同的用戶的個數；