[發明專利]一種基于社會化卷積矩陣分解的文檔上下文感知推薦方法

在審

• 申請號: 201810076808.6
• 申請日: 2018-05-09
• 公開（公告）號: CN108287904A
• 公開（公告）日: 2018-07-17
• 發明（設計）人: 徐光俠;何李杰;劉俊;馬創;常光輝;解紹詞;陶荊朝
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/04
• 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社會化卷積矩陣分解的文檔上下文感知推薦方法，該方法首先利用卷積神經網絡(CNN)捕獲物品描述文檔的上下文信息，并將獲得的上下文特征向量和高斯噪聲一起作為項目的潛在向量；然后利用用戶的興趣愛好更容易受到其所信任的朋友的影響(具有直接鏈接關系)的特點，通過計算其好友的潛在特征向量的平均值來確定目標用戶的潛在特征向量；最后根據用戶和項目的聯合概率分布函數預測出用戶對項目的評分信息。該方法以概率的角度將CNN無縫集成到基于矩陣分解技術的社會化推薦(SocialMF)中，這使得它能在學習過程中進一步識別出與目標用戶具有信任關系并且興趣比較接近的朋友，從而達到優化推薦結果的目的。

技術領域

本發明涉及協同過濾推薦技術領域。具體涉及一種基于社會化卷積矩陣分解的文檔上下文感知推薦方法。

背景技術

推薦系統作為個性化服務的重要實現技術之一，其中，推薦算法是整個推薦系統的核心，決定了推薦系統性能的優劣。現在主流的推薦系統主要包括：基于內容的推薦、協同過濾推薦、基于知識的推薦和混合推薦。但，隨著電子商務服務中用戶和項目數量的爆炸性增長，增加了用戶對項目評級數據的稀疏性。最終，這種稀疏性降低了傳統協同過濾技術的評估預測精度。為了提高推薦系統的精度，很多推薦算法不只是運用評分數據，還包括用戶的基本信息，社交信息或項目的描述文本等信息來提高系統的準確率。

近年來，隨著諸如Facebook，Twitter等社會媒體的興起，利用用戶間的社會關系進行推薦的方法，逐漸成為推薦領域的研究熱點。這類方法在推薦過程中假設用戶的決策過程容易受到信任關系或朋友關系的影響，相互信任的朋友之間具有相近的興趣愛好。例如，Ma等人研究了如何利用用戶間的信任關系來進一步提高傳統推薦算法的性能，并給出了一種能夠將信任關系信息進行融合的概率矩陣分解框架，即提出了一種聯合概率矩陣分解(Unified Probabilistic Matrix Factorization,UPMF)方法。然而這些方法都忽略了文本上下文對推薦的影響。

最近，研究者們已經提出了基于文檔建模方法，如利用潛在狄利克雷(LDA)主題模型和堆棧去噪自動編碼器(SDAE)的方法來利用項目描述文檔，諸如評論，摘要或概要的上下文信息。具體來說，Wang等人提出的協作主題回歸(CTR)，其結合了主題建模(LDA)和協同過濾的概率方法。還有學者提出了不同的CTR，將LDA整合到協同過濾中，以不同的集成方法分析項目描述文檔。最近，Wang等人提出了將SDAE集成到概率矩陣分解(PMF)中的協同深度學習(CDL)，從而在評分預測精度方面產生更準確的潛在模型。然而這些方法沒有考慮到用戶之間信任關系的影響。如何有效利用項目的文檔上下文信息和用戶的信任關系來提高推薦的成功率和準確率，是目前亟待解決的問題。

發明內容

為了提高評分預測的準確性從而有效的提高推薦的成功率和精準度，本發明的目的在于提供一種基于社會化卷積矩陣分解的文檔上下文感知推薦方法。該方法首先生成有效反映項目描述文檔的上下文信息的項目潛在模型，并以概率的角度將CNN無縫集成到基于矩陣分解技術的社會化推薦中，這使得它能在學習過程中進一步識別出與目標用戶具有信任關系并且興趣比較接近的朋友，從而達到優化推薦結果的目的。

為了實現上述目的本發明采用如下技術方案：一種基于社會化卷積矩陣分解的文檔上下文感知推薦方法，包括以下步驟：

S1：收集用戶的基本信息數據集X，并進行了預處理；

S2：將原始的文檔上下文信息通過卷積神經網絡(CNN)架構中的嵌入層轉換為數字矩陣D；

S3：利用S2生成的數字矩陣D，通過卷積層提取出上下文權重W；并提取出具有代表性的特征，通過構建固定長度特征向量的池操作來處理可變長度的文檔；

S4：經過S2，S3得到的每個文檔的潛在向量S_j作為平均值可以得到項目的潛在特征向量；