[發(fā)明專利]具有多個輔助域的跨域推薦數(shù)據(jù)處理方法、跨域推薦系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811402203.8
• 申請日: 2018-11-23
• 公開（公告）號: CN109711925A
• 公開（公告）日: 2019-05-03
• 發(fā)明（設(shè)計）人: 喬慧;沈玉龍;董學(xué)文;姜曉鴻;佟威;劉洋洋;馬詩洋;谷鑫雨;楊凌霄;趙六順
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06K9/62
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

本發(fā)明屬于電子商務(wù)信息處理技術(shù)領(lǐng)域，公開了一種具有多個輔助域的跨域推薦數(shù)據(jù)處理方法、跨域推薦數(shù)據(jù)處理系統(tǒng)；獲取輔助域的評分矩陣，計算用戶的評分可靠性，等比例分段映射閾值，將輔助域中評分?jǐn)?shù)量低于閾值的評分清空；使用K?means聚類算法得到所有域的聚類級評分矩陣，進(jìn)行矩陣分解；同時分解目標(biāo)域評分矩陣，為冷啟動用戶學(xué)習(xí)特征映射函數(shù)；使用平均絕對誤差來評估預(yù)測到的評分矩陣。與現(xiàn)有技術(shù)相比，本發(fā)明在數(shù)據(jù)處理的過程當(dāng)中使用K?means聚類算法得到聯(lián)合所有域的聚類級的用戶?項目評分矩陣，降低了冷啟動用戶的數(shù)據(jù)稀疏性；緩解了傳統(tǒng)單個輔助域矩陣分解模型預(yù)測準(zhǔn)確度不佳而造成推薦效果不理想的問題，提升推薦系統(tǒng)的推薦效果，而且更具有通用性。

技術(shù)領(lǐng)域

本發(fā)明屬于電子商務(wù)信息處理技術(shù)領(lǐng)域，尤其涉及一種具有多個輔助域的跨域推薦數(shù)據(jù)處理方法、跨域推薦數(shù)據(jù)處理系統(tǒng)。

背景技術(shù)

目前，業(yè)內(nèi)常用的現(xiàn)有技術(shù)是這樣的：隨著互聯(lián)網(wǎng)技術(shù)和Web技術(shù)的高速發(fā)展，電子商務(wù)成為一種新的商務(wù)活動形式，越來越多的消費者愿意通過網(wǎng)絡(luò)購買自己需要的商品。通過線上購物的方式，消費者可以瀏覽各種各樣的商品；相對于傳統(tǒng)的線下購物方式，線上購物使消費者擁有更多的選擇權(quán)。但是另一方面，網(wǎng)絡(luò)上各類信息更新速度之快，又使消費者很容易迷失在種類繁多的“產(chǎn)品海洋”中。在給消費者帶來諸多便利的同時，“信息過載”問題隨之而來，互聯(lián)網(wǎng)上的消費者很難找到自己需要的信息。為了幫助消費者找到他們真正需要的商品，提高消費者的購物體驗，推薦系統(tǒng)成為電子商務(wù)應(yīng)用中不可或缺的一部分。推薦系統(tǒng)作為一種有效的消息過濾手段，是當(dāng)前解決信息過載問題及實現(xiàn)個性化信息服務(wù)的有效方法之一。一般來說，內(nèi)容過濾和協(xié)同過濾是推薦系統(tǒng)中最基本的兩種推薦策略。其中內(nèi)容過濾往往需要搜集一些外部信息，比如產(chǎn)品的特性、用戶的特征等等，而這些信息有時并不容易甚至無法獲得。協(xié)同過濾僅僅依賴于用戶的歷史行為——如瀏覽歷史、交易記錄、歷史評分等，不僅不需要專業(yè)的領(lǐng)域知識和特征文本信息，還能夠?qū)?shù)據(jù)潛在的特征進(jìn)行建模，實現(xiàn)比內(nèi)容過濾更準(zhǔn)確的推薦，這也使得協(xié)同過濾成為一種廣泛使用的推薦技術(shù)。

近年來，為了應(yīng)對普遍存在的數(shù)據(jù)稀疏性問題，跨領(lǐng)域推薦技術(shù)被提出，其目的是使用多個領(lǐng)域中更豐富的數(shù)據(jù)，通過遷移學(xué)習(xí)的思想，在不同領(lǐng)域之間有效地進(jìn)行知識的遷移，獲得比單一領(lǐng)域推薦更好的推薦效果。但是現(xiàn)階段的大多數(shù)跨領(lǐng)域推薦模型往往只集中于解決單一領(lǐng)域中的數(shù)據(jù)稀疏性問題，對冷啟動用戶問題卻缺乏廣泛而深入的研究。

現(xiàn)有技術(shù)提出了一種基于近鄰的跨域潛在特征映射方法。該方法從三個不同的角度觀察用戶之間評分行為的相似度，并給出了三個相似度度量的計算方法；最后將三個相似度度量值的加權(quán)平均作為用戶之間評分行為相似度的值。該文方法存在的不足是，該方法針對的是兩個域中存在錨用戶情況下的目標(biāo)域冷啟動用戶問題，不能對多個輔助域的情況進(jìn)行跨域推薦。因此，希望能夠提出一種通用性更強的跨域推薦模型，來實現(xiàn)多個輔助域情況下目標(biāo)域冷啟動用戶問題。

綜上所述，現(xiàn)有技術(shù)存在的問題是：現(xiàn)有技術(shù)針對的是兩個域中存在錨用戶情況下的目標(biāo)域冷啟動用戶問題，不能對多個輔助域的情況進(jìn)行跨域推薦。

解決上述技術(shù)問題的難度和意義：針對目標(biāo)域冷啟動用戶的跨領(lǐng)域協(xié)同過濾問題，其實是極富挑戰(zhàn)性的。第一，在不同的產(chǎn)品域中，數(shù)據(jù)稀疏性問題是普遍存在的。如何利用稀疏的評分?jǐn)?shù)據(jù)完成對用戶和產(chǎn)品的有效建模，一直都是困擾協(xié)同過濾模型的難題。第二，用戶在不同的領(lǐng)域中具有不同的偏好和行為特征，對于不同領(lǐng)域中的評分?jǐn)?shù)據(jù)，不可以簡單地混合使用。因此，考慮領(lǐng)域因素的影響，計算具有領(lǐng)域特點的用戶特征，是保證準(zhǔn)確跨域推薦的重要前提。第三，雖然同一個用戶在不同領(lǐng)域中的偏好和特征是相關(guān)的，但同時它們也存在著很大的差異。因此在輔助域中應(yīng)該提取關(guān)于冷啟動用戶的哪些知識，如何將這些知識遷移至目標(biāo)域中的評分預(yù)測，這些都是亟待解決的問題。正是因為這樣，跨域推薦通過整合冷啟動用戶或產(chǎn)品在不同領(lǐng)域中的信息，可以減少數(shù)據(jù)的稀疏性，豐富其在目標(biāo)域中的知識，進(jìn)而緩解目標(biāo)域中的冷啟動問題。因此，研究跨域推薦具有深遠(yuǎn)的實踐意義。

發(fā)明內(nèi)容