[發明專利]一種基于矩陣分解的產品推薦方法

有效

• 申請號: 201811268374.6
• 申請日: 2018-10-29
• 公開（公告）號: CN109615452B
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 路松峰;吳旭;王穆
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F17/16
• 分類號: G06F17/16
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 曹葆青;李智

本發明公開了一種基于矩陣分解的產品推薦方法，包括：(1)對歷史評分數據進行預處理，得到用戶對產品的評分矩陣；(2)對評分矩陣中同一用戶對不同產品的喜好程度進行排序，并根據排序結果確定損失函數；(3)對評分矩陣進行分解，并根據損失函數對分解結果進行調整，從而得到使得損失函數取值最小的第一特征向量和第二特征向量，由此完成矩陣分解并得到向用戶推薦產品的推薦列表。本發明所提供的基于矩陣分解的產品推薦方法，在確定損失函數時，將同一用戶對不同產品的喜好程度的排序關系考慮在內，能夠在損失函數中更為充分地體現用戶與被推薦產品之間的復雜關系，從而有效提高產品推薦的準確度。

技術領域

本發明屬于數據挖掘和個性化推薦領域，更具體地，涉及一種基于矩陣分解的產品推薦方法。

背景技術

根據用戶對產品的喜好程度向用戶推薦產品時，常用的方法包括協同過濾法和矩陣分解法。協同分解法又分為基于用戶的協同過濾法和基于產品的協同過濾方法，前者利用不同用戶之間的相似度來向用戶推薦產品，后者則利用產品之間的相似度來向用戶推薦產品，相似度之間的計算方式有多種，例如余弦相似度，Jaccard相似度等。在實際的使用中，基于用戶的協同過濾協同方法主要使用在用戶數遠多于產品數的場景下，基于產品的協同過濾方法主要使用在產品數遠多于用戶數的場景下。協同過濾法適用于大數據應用場景，其計算量較大，不能做到實時地向用戶推薦產品，基于模型的協同過濾算法有效的解決了這一問題，矩陣分解(Matrix Factorization,MF)法是基于模型的協同過濾算法中的一種。

基于矩陣分解的傳統推薦模型是將用于表示用戶與產品關系的評分矩陣分解成用戶矩陣和產品矩陣，用戶矩陣用于表示用戶與隱藏特征的關系，產品矩陣用于表示產品與隱藏特征的關系，隱藏特征可以理解為影響用戶選擇產品的因子，可以手動設置個數。分解形式為：R＝PQ。它是將用戶產品關系矩陣R通過學習訓練參數，最終可以得到兩個分解矩陣P和Q，損失函數的定義如下所示。

在上述損失函數中，r_ui為用戶產品關系矩陣R中的元素，p_u和qi分別為矩陣P和矩陣Q中的向量，λ為正則化系數。

通過定義的損失函數，可以求得模型參數。損失函數是一個凸函數，凸函數必然存在最小值，這是一個凸優化問題，通過梯度下降法不斷迭代，可求解出兩個矩陣，最后通過兩個矩陣相等得到的評分高低可以得到向用戶推薦產品的推薦列表。傳統的矩陣分解法能夠實時的實現個性化推薦，但是，由于用戶與被推薦產品的關系是多種多樣的，傳統的矩陣分解法并沒有充分考慮這一因素，導致推薦的準確度不高。

發明內容

針對現有技術的缺陷和改進需求，本發明提供了一種基于矩陣分解的產品推薦方法，其目的在于，在損失函數中充分考慮用戶與被推薦產品之間的關系，以提高基于矩陣分解向用戶推薦產品的推薦準確度。

為實現上述目的，本發明提供了一種基于矩陣分解的產品推薦方法，包括如下步驟：

(1)對歷史評分數據進行預處理，得到用戶對產品的評分矩陣；

(2)對評分矩陣中同一用戶對不同產品的喜好程度進行排序，并根據排序結果確定損失函數；

(3)對評分矩陣進行分解，并根據損失函數對分解結果進行調整，從而得到使得損失函數取值最小的第一特征向量和第二特征向量，由此完成矩陣分解并得到向用戶推薦產品的推薦列表；

其中，第一特征向量用于表示用戶與隱藏特征的關系，第二特征向量用于表示產品與隱藏特征的關系。

進一步地，步驟(1)包括：

利用歷史評分數據生成用戶對產品的第一評分矩陣；

若第一評分矩陣的規模大于預設的數據集閾值，則對第一評分矩陣進行降維操作，從而得到第二評分矩陣，并將第二評分矩陣作為評分矩陣；否則，將第一評分矩陣作為評分矩陣；