[發(fā)明專利]一種基于協(xié)同過濾的優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711492287.4
• 申請(qǐng)日: 2017-12-30
• 公開（公告）號(hào): CN108038629A
• 公開（公告）日: 2018-05-15
• 發(fā)明（設(shè)計(jì)）人: 楊勝齊;黃樟欽;鄭龍帥;吳寒;包宇津
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06N3/08;G06Q30/06
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

本發(fā)明公開了一種基于協(xié)同過濾的優(yōu)化方法，該方法為一種基于奇異值分解和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)未評(píng)分項(xiàng)的改進(jìn)方法；該方法通過奇異值分解用戶?項(xiàng)目評(píng)分矩陣，有效的降低了矩陣的稀疏性；同時(shí)在奇異值分解的基礎(chǔ)上，進(jìn)一步采用BP神經(jīng)網(wǎng)絡(luò)來對(duì)未評(píng)分的目標(biāo)項(xiàng)目進(jìn)行分值預(yù)測(cè)。在此基礎(chǔ)上，進(jìn)行相似性計(jì)算獲取相似鄰居列表，將商品進(jìn)行推薦給目標(biāo)用戶。該方法的改進(jìn)核心思想是將用戶?項(xiàng)目評(píng)分矩陣降維，有效的緩解數(shù)據(jù)稀疏性，使得推薦準(zhǔn)確率更高。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)處理和數(shù)據(jù)挖掘領(lǐng)域，具體涉及一種基于奇異值分解和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)未評(píng)分項(xiàng)的改進(jìn)方法。

背景技術(shù)

進(jìn)入移動(dòng)互聯(lián)網(wǎng)時(shí)代，各種平臺(tái)上信息資源的體量越來越大，出現(xiàn)了比傳統(tǒng)互聯(lián)網(wǎng)時(shí)代更為嚴(yán)重的“信息過載”現(xiàn)象。面對(duì)如此巨大的信息量，用戶經(jīng)常感到無從下手，原因就是很難再通過簡單的查找較快的獲得自己喜歡的信息，同時(shí)也大大增加了人們查詢信息的時(shí)間，這是“信息過載”現(xiàn)象在電子商務(wù)領(lǐng)域的表現(xiàn)。用戶也可以通過阿里巴巴提供的搜索指數(shù)來選擇商品，但是并不一定符合自己個(gè)性化需求。因此用戶需要一種能根據(jù)自己的偏好特點(diǎn)來自動(dòng)選擇其感興趣信息的技術(shù)，推薦算法在這種背景下得到了迅速發(fā)展。

推薦系統(tǒng)的研究重點(diǎn)在于如何快速的從海量信息中獲取我們感興趣的內(nèi)容，省時(shí)省力，準(zhǔn)確快捷是首要目標(biāo)。現(xiàn)在是大數(shù)據(jù)時(shí)代，各種信息數(shù)據(jù)增長速度極快，推薦系統(tǒng)的效率已經(jīng)成為學(xué)者十分重視的問題，各種框架的出現(xiàn)表明了對(duì)推薦系統(tǒng)的進(jìn)一步研究已經(jīng)迫在眉睫，同時(shí)也給各類電商平臺(tái)帶來了很大改變。

根據(jù)原理的不同，個(gè)性化推薦算法有幾種不同的分類，通過不同的推薦策略來進(jìn)行信息等資源的推薦，大致分為三種推薦方式：基于關(guān)聯(lián)規(guī)則、基于內(nèi)容和協(xié)同過濾推薦算法。基于關(guān)聯(lián)規(guī)則算法的本質(zhì)是獲取數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系，在獲取到用戶的行為之后，使用關(guān)聯(lián)規(guī)則技術(shù)分析各個(gè)產(chǎn)品在用戶之間購買的關(guān)系，找出各個(gè)產(chǎn)品之間的聯(lián)系，由這些產(chǎn)品的聯(lián)系推導(dǎo)出來跟其他產(chǎn)品之間的聯(lián)系，不同規(guī)則的相似度不同，這個(gè)在每個(gè)關(guān)聯(lián)規(guī)則中都可以通過兩商品同時(shí)發(fā)生的概率來表示。基于內(nèi)容的推薦算法是以平臺(tái)上商品的分類屬性來進(jìn)行推薦的，首先要明確商品類別屬性，根據(jù)商品本身所具有的屬性特點(diǎn)來判斷某一未評(píng)分產(chǎn)品是否符合用戶的期望。協(xié)同過濾推薦算法是根據(jù)用戶的興趣進(jìn)行分析的，在用戶購買商品的過程中，用戶之間和項(xiàng)目之間都會(huì)有相似性，通過這些相似性來進(jìn)行產(chǎn)品的定向推薦，算法的核心是尋找用戶和商品的最近鄰居。

協(xié)同過濾是根據(jù)用戶的興趣進(jìn)行分析的，在用戶購買商品的過程中，用戶之間和項(xiàng)目之間都會(huì)有相似性，通過這些相似性來進(jìn)行產(chǎn)品的定向推薦，算法的核心是尋找用戶和商品的最近鄰居。該算法有兩種重要的分類，基于用戶的協(xié)同過濾算法和基于項(xiàng)目的協(xié)同過濾算法。最早使用到這兩種方法是在信息的過濾時(shí)進(jìn)行篩選的，后來延伸出來各種類型的算法。其實(shí)這兩者的原理是相似的，都要使用到用戶對(duì)商品的評(píng)分?jǐn)?shù)據(jù)來進(jìn)行分析，前者是整個(gè)算法的核心，通過矩陣行數(shù)據(jù)計(jì)算用戶相似性，后者是通過列數(shù)據(jù)計(jì)算項(xiàng)目的相似性。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，提出了一種基于奇異值分解和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)未評(píng)分項(xiàng)的改進(jìn)方法。該方法通過奇異值分解用戶-項(xiàng)目評(píng)分矩陣，有效的降低了矩陣的稀疏性；同時(shí)在奇異值分解的基礎(chǔ)上，進(jìn)一步采用BP神經(jīng)網(wǎng)絡(luò)來對(duì)未評(píng)分的目標(biāo)項(xiàng)目進(jìn)行分值預(yù)測(cè)，這樣做的好處是避免了用平均分值代替而產(chǎn)生的效果單一性，從而使推薦的準(zhǔn)確性有了較大提升。

將用戶對(duì)商品的評(píng)分用m×n矩陣R表示，其中，m是用戶數(shù)量，n是商品數(shù)量，矩陣中元素Rij是用戶i對(duì)商品j的偏好，Rij為數(shù)值。用矩陣R進(jìn)行表示。

若r是m×n矩陣R的秩，那么對(duì)矩陣R進(jìn)行分解