[發明專利]基于雙向加權值及用戶行為的動態推薦及加噪方法

在審

• 申請號: 201810072226.0
• 申請日: 2018-01-25
• 公開（公告）號: CN110110214A
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 熊仕勇;馮俊翔;燕陽;林金朝;陳闊;夏淑芳
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F17/16
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于雙向加權值及用戶行為的動態推薦及加噪方法，通過引入面向用戶的加權值記錄方式與面向事物的加權值記錄方式，使得算法只需運行一次即可完成一個包含復雜感情的預測，不用反復調用，大大降低時間復雜度，提升推薦效率。同時在預測的過程中通過本發明提出的加噪機制，防止產生“趨勢集中現象”，保證推薦結果的質量。

技術領域

本發明涉及計算機領域，特別涉及一種基于雙向加權值及用戶行為的動態推薦及加噪方法。能夠有效解決現有推薦算法存在的無法定量測算用戶情感與推薦結果反復迭代后產生“趨勢集中現象”等問題。

背景技術

隨著互聯網的快速發展，互聯網內容呈爆炸式增長，內容產出速度遠遠超過用戶的接受范圍。如何通過合理的算法，在用戶有限的接受范圍內，向其推薦最適合用戶的內容成為當下研究熱點。

同時，在現有的推薦算法中，隨著對推薦結果進行反復迭代，最終結果趨于某一固定值，這種現象稱為“趨勢集中現象”。如美國加利福尼亞大學Fischbach 所著《厭倦分析(Tired Analyses)》等文獻所述，“重復面對相似事物易產生厭倦心理”，“趨勢集中現象”產生的固定內容也極易引發用戶反感。如何在推薦算法中引入合理的加噪機制也成為當務之急。

潛在因子推薦策略是一種由美國麻省理工大學在進行統計關系學習研究時提出的高效推薦策略(Statistical Relational Learning,SRL)，它是一種利用矩陣聯系實體與屬性的一種高效推薦策略。通過矩陣分解能把評分矩陣分解為用戶(P)、項目潛在因子矩陣(Q)。P、Q點乘即可得到預測矩陣

傳統的潛在因子推薦算法只能預測用戶對某一事物是否可能感興趣，而不能描述對該事物的感興趣程度；而為了描述用戶感興趣程度，則需要多次運行該算法。隨著屬性與事物的增多，該算法整體的時間復雜度成指數級增長，造成了系統整體的效率低下。

在傳統的潛在因子推薦算法中，只能通過該算法預測用戶對某一事物是否可能喜歡，而不能描述對該事物的喜歡程度。

發明內容

有鑒于此，本發明所要解決的技術問題是提供一種基于雙向加權值及用戶行為的動態推薦及加噪方法。通過引入面向用戶的加權值記錄方式與面向事物的加權值記錄方式，使得算法只需運行一次即可完成一個包含復雜感情的預測，不用反復調用，大大降低時間復雜度。同時在預測的過程中通過本發明提出的加噪機制，防止產生“趨勢集中現象”，保證推薦結果的質量。

本發明的目的之一是提出一種基于雙向加權值及用戶行為的動態推薦方法，將傳統推薦算法從只能描述喜歡或不喜歡的單維度，通過引入雙向加權值，拓展為可描述喜歡程度的多維度模型；本發明的目的之二是提出一種在目的一基礎上進行的加噪機制，在目的一的基礎上，通過高斯分布生成的隨機擾動，對不同屬性的喜歡程度，在合理范圍內進行合理加噪，在保證推薦結果精度的同時防止產生“趨勢集中現象”。

本發明的目的之一是通過以下技術方案來實現的：

本發明提供的一種基于雙向加權值及用戶行為的動態推薦方法，包括以下步驟：

S1：初始化方法，建立項目模型；

S2：從數據庫讀取記錄了用戶行為的矩陣R；

S3：新建用戶-因子加權值矩陣P與事物-因子加權值矩陣Q；

S4：對用戶行為矩陣R進行矩陣分解，利用SVD矩陣算法分解分別產生P、 Q矩陣，使得足R＝PQ^T；

S5：對用戶-因子加權值矩陣P進行加噪；

S6：將加噪后的P與Q點乘，獲得生成的加噪后的預測矩陣

S7：返回推薦結果方法結束。