[發(fā)明專利]基于隱式反饋信息的局部低秩矩陣近似的推薦方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810233045.1
• 申請(qǐng)日: 2018-03-21
• 公開（公告）號(hào): CN108520450B
• 公開（公告）日: 2021-09-24
• 發(fā)明（設(shè)計(jì)）人: 陳新吾;曾偉
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06;G06Q30/02;G06F16/22
• 代理公司: 電子科技大學(xué)專利中心 51203
• 代理人: 周劉英

本發(fā)明公開了一種基于隱式反饋信息的局部低秩矩陣近似的推薦方法及系統(tǒng)，屬于推薦技術(shù)領(lǐng)域。本發(fā)明從用戶信息中被忽略的隱式反饋信息入手，通過局部低秩矩陣近似原理，使用隱式反饋信息優(yōu)化特征提取模型，提取用戶與物品的單維多維偏好向量；并且基于用戶和物品的偏好信息，給與一個(gè)更加準(zhǔn)確的用戶評(píng)分推薦方式。本發(fā)明的推薦系統(tǒng)，包括數(shù)據(jù)引擎模塊、多維特征提取模塊、評(píng)分預(yù)測(cè)模塊、協(xié)同推薦模塊和信息更新模塊；通過各個(gè)模塊的協(xié)同工作，提取出用戶在不同環(huán)境下的多維隱性因子，提高整個(gè)系統(tǒng)推薦結(jié)果的準(zhǔn)確性和個(gè)性化，具有很高的通用性，適用于現(xiàn)有的大多數(shù)推薦場景。

技術(shù)領(lǐng)域

本發(fā)明屬于推薦技術(shù)領(lǐng)域，更為具體的講，涉及一種基于隱式反饋信息的局部低秩矩陣近似的推薦技術(shù)。

背景技術(shù)

互聯(lián)網(wǎng)技術(shù)的發(fā)展，帶來了諸多便利，卻也給我們出了許多難題。其中最著名的就是“信息過載”問題。由于互聯(lián)網(wǎng)的便利性，我們所有的信息都在互聯(lián)網(wǎng)上進(jìn)行交互，所有的數(shù)據(jù)都存儲(chǔ)在云端數(shù)據(jù)庫，導(dǎo)致網(wǎng)絡(luò)數(shù)據(jù)幾何倍數(shù)增加，這導(dǎo)致了人們很難在互聯(lián)網(wǎng)上找到自己需要的信息。

搜索引擎是一項(xiàng)重要的發(fā)明，它能讓人們從海量的數(shù)據(jù)中根據(jù)關(guān)鍵字檢索匹配信息，一定程度上緩和了數(shù)據(jù)量過大對(duì)用戶造成的壓力。然而它忽略了不同用戶對(duì)信息的需求并不完全相同，迫使用戶還需要從搜索結(jié)果中找尋感興趣的內(nèi)容。推薦系統(tǒng)在這種場合應(yīng)運(yùn)而生，它能根據(jù)用戶的選擇，自主選擇提供用戶可能感興趣的內(nèi)容，更為智能，也是未來的發(fā)展方向。這其中最為重要的內(nèi)容，就是推薦算法的應(yīng)用。基于推薦算法的推薦系統(tǒng)不僅能根據(jù)用戶特點(diǎn)預(yù)測(cè)用戶喜好，還能根據(jù)用戶需求的變化，智能的篩選進(jìn)行推薦的物品，信息，刪去用戶不需要，不關(guān)心的內(nèi)容，不但能完美迎合用戶需求，帶來舒適的用戶體驗(yàn)，也節(jié)省了用戶大量的時(shí)間，極大的增加了用戶的黏著性。所以人們?cè)絹碓叫枨蠊δ芡晟疲诵曰耐扑]系統(tǒng)，這也促進(jìn)了推薦算法的進(jìn)一步發(fā)展。以此為契機(jī)，各種不同原理的推薦算法層出不窮，帶來了更好的推薦結(jié)果，更先進(jìn)的技術(shù)理論，更好的應(yīng)用前景。到目前為止，已經(jīng)有許許多多基于不同推薦算法的推薦系統(tǒng)，真正的便利著用戶的生活，比如京東的物品推薦，Amazon的圖書推薦等等。這些功能完善的推薦系統(tǒng)基于的正是各種主流的推薦算法。

雖然，當(dāng)前已有的主流的推薦算法已經(jīng)相當(dāng)成熟，但是都忽略了用戶的變化性。用戶并不是一個(gè)偏好不會(huì)變化的數(shù)據(jù)點(diǎn)，而是一個(gè)有著自主意識(shí)，難以捉摸的對(duì)象。每個(gè)用戶的興趣愛好，關(guān)注點(diǎn)都是會(huì)隨著時(shí)間的推移，環(huán)境的改變等等因素進(jìn)行變化的。這些變化是隱藏在用戶的正常數(shù)據(jù)中，難以發(fā)現(xiàn)的。如果僅僅基于用戶的歷史數(shù)據(jù)進(jìn)行分析而忽略了這些隱性因子，很可能導(dǎo)致推薦結(jié)果變化速度慢于用戶的愛好變化速度，導(dǎo)致推薦結(jié)果滯后；更有甚者，可能會(huì)將這些用戶的新的偏好，作為環(huán)境噪音，處理掉、忽略掉了。

發(fā)明內(nèi)容

本發(fā)明的發(fā)明目的在于：針對(duì)上述存在的問題，提供一種基于隱式反饋信息的局部低秩矩陣近似的推薦方法及系統(tǒng)，通過分析用戶在不同環(huán)境下表現(xiàn)不同所導(dǎo)致的的隱藏特征，提高整個(gè)推薦系統(tǒng)結(jié)果的準(zhǔn)確性和個(gè)性化，能適應(yīng)現(xiàn)有的大多推薦場景，有很強(qiáng)的適應(yīng)性和進(jìn)步空間。

本發(fā)明的基于隱式反饋信息的局部低秩矩陣近似的推薦方法，包括下列步驟：

提取待推薦用戶的用戶—物品數(shù)據(jù)，所述用戶—物品數(shù)據(jù)為待推薦用戶的對(duì)物品的歷史操作信息；

基于當(dāng)前用戶—物品數(shù)據(jù)構(gòu)建用戶—物品關(guān)系數(shù)據(jù)表，其中用戶—物品關(guān)系數(shù)據(jù)表中的每一行代表一位用戶的數(shù)據(jù)信息，每一列代表一件物品的數(shù)據(jù)信息，表項(xiàng)內(nèi)容表示用戶和物品關(guān)系的緊密程度，例如表內(nèi)每項(xiàng)數(shù)據(jù)值的大小，代表了對(duì)應(yīng)用戶對(duì)物品評(píng)分值；

基于當(dāng)前用戶—物品關(guān)系數(shù)據(jù)表構(gòu)建用戶—物品關(guān)系矩陣，對(duì)用戶—物品關(guān)系矩陣進(jìn)行奇異值分解(SVD)，得到全局用戶-特征矩陣和全局物品-特征矩陣；其中全局用戶-特征矩陣的每一列表示不同的用戶，表中存放的分解結(jié)果(表項(xiàng)內(nèi)容)即為用戶對(duì)此特征的敏感度；全局物品-特征矩陣中的每一行表示在當(dāng)前維度下的特征數(shù)，其中特征數(shù)為經(jīng)驗(yàn)預(yù)設(shè)值，每一列表示不同的物品，表中存放的分解結(jié)果即為物品對(duì)此特征的切合度；