[發明專利]一種基于局部加權線性回歸模型的交叉推薦方法及系統

在審

• 申請號: 201810058410.X
• 申請日: 2018-01-22
• 公開（公告）號: CN110110209A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 于旭;杜軍威;于淼;胡強;張國棟
• 申請（專利權）人: 青島科技大學;青島大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F17/18
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 李博洋

本發明提供了一種基于局部加權線性回歸模型的交叉推薦方法及系統，該交叉推薦方法包括：獲取用戶在目標對象中對至少一目標項目的評分記錄及在與目標對象相關的輔助對象中對至少一輔助項目的輔助評分記錄；根據評分記錄及輔助評分記錄建立待評目標項目的待評項目向量；將待評項目向量擴展為增廣向量，并根據增廣向量建立局部加權線性回歸模型；利用隨機梯度下降算法，對局部加權線性回歸模型進行求解，得到優化解；根據優化解計算得出對目標對象中的待評目標項目的預測評分；將預測評分滿足預設評分標準的待評目標項目推薦給用戶。通過實施本發明，實現了用戶的行為數據與評分數據的充分擬合，從而提高了交叉推薦系統的準確率及召回率。

技術領域

本發明涉及信息處理技術領域，具體涉及一種基于局部加權線性回歸模型的交叉推薦方法及系統。

背景技術

隨著信息技術和互聯網的發展，人們逐漸從信息匱乏的時代走入了信息過載(information overload)的時代。在這個時代，無論是信息消費者還是信息生產者都遇到了很大的挑戰：對于信息消費者，從大量信息中找到自己感興趣的信息是一件非常困難的事情；對于信息生產者，讓自己生產的信息脫穎而出，受到廣大用戶的關注，也是一件非常困難的事情。推薦系統是解決這一矛盾的重要工具。推薦系統的任務就是聯系用戶和信息，一方面幫助用戶發現對自己有價值的信息，另一方面讓信息能夠展現在對它感興趣的用戶面前，從而實現信息消費者和信息生產者的雙贏。推薦算法近些年獲得了日益廣泛的研究，其應用也深入到人們生活的方方面面。然而目前推薦算法面臨的一個重要困難是數據稀疏性問題，即用戶評分的數據在總的評分矩陣中所占的比重非常小。

為此，近些年興起了交叉域推薦算法的研究。交叉推薦算法利用包含用戶額外偏好數據的輔助對象信息來提高目標對象上的推薦效果，能有效地緩解目標對象上的數據稀疏性問題。目前準確率及召回率較好的交叉推薦算法是基于二次回歸模型的交叉推薦算法。該方法是通過建立二次回歸模型來擬合用戶行為數據和用戶評分數據，交叉推薦系統利用二次回歸模型對用戶的興趣進行預測，將預測結果信息推薦給用戶。但是由于用戶行為數據與用戶評分數據之間的關系往往異常復雜，二次回歸模型很難對其進行充分地擬合(即數據處于欠學習狀態)，最終影響了交叉推薦系統的準確率及召回率。建立更高次的(如三次、四次)回歸模型雖可能對數據擬合的比較充分，但卻容易引起過擬合，降低交叉推薦系統的準確率及召回率。

發明內容

本發明要解決的技術問題在于克服現有技術中基于二次回歸模型的交叉推薦算法，由于用戶行為數據與用戶評分數據之間的關系往往異常復雜，二次回歸模型很難對其進行充分地擬合(即數據處于欠學習狀態)，從而影響交叉推薦系統的準確率及召回率；而建立更高次的(如三次、四次)回歸模型雖可能對數據擬合的比較充分，卻容易造成過擬合，也會影響交叉推薦系準確率及召回率的問題。

根據第一方面，本發明實施例提供了一種基于局部加權線性回歸模型的交叉推薦方法，包括：獲取用戶在目標對象中對至少一目標項目的評分記錄及在與所述目標對象相關的輔助對象中對至少一輔助項目的輔助評分記錄；根據所述評分記錄及輔助評分記錄建立待評目標項目的待評項目向量；將所述待評項目向量擴展為增廣向量，并根據所述增廣向量建立局部加權線性回歸模型；利用隨機梯度下降算法，對所述局部加權線性回歸模型進行求解，得到優化解；根據所述優化解計算得出對所述目標對象中的待評目標項目的預測評分；將所述預測評分滿足預設評分標準的待評目標項目推薦給所述用戶。

結合第一方面，在第一方面第一實施方式中，所述將所述待評項目向量擴展為增廣向量，包括：在所述待評項目向量中加入截距項，將所述待評項目向量擴展為增廣向量，所述截距項的值為1。

結合第一方面，在第一方面第二實施方式中，按照以下公式建立局部加權線性回歸模型：