[發(fā)明專利]基于多關系隱式反饋置信度的協(xié)同過濾推薦方法

有效

• 申請?zhí)枺?/td>: 201910321811.4
• 申請日: 2019-04-22
• 公開（公告）號: CN110059251B
• 公開（公告）日: 2022-10-28
• 發(fā)明（設計）人: 高山;張宏坡;周兵;王宗敏;郭曉曉
• 申請（專利權）人: 鄭州大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535
• 代理公司: 鄭州德勤知識產權代理有限公司 41128
• 代理人: 黃紅梅;黃軍委

1.一種基于多關系隱式反饋置信度的協(xié)同過濾推薦方法，其特征在于，包括以下步驟：

步驟1，將用戶多種類型行為下的隱式反饋數(shù)據重新進行篩選和劃分，并定義為確定性目標反饋、確定性輔助反饋和非確定性反饋三類；

確定性目標反饋：如果用戶u在主隱式反饋和至少一種類型輔助隱式反饋中選擇過項目i，則將用戶u和項目i組成的記錄集合定義為確定性目標反饋：DT_u＝{(u,i)},其中u∈U，i∈FT_u；

確定性輔助反饋：通過置信度從用戶u的多種類型輔助隱式反饋篩選出的數(shù)據中，如果用戶u選擇過項目k，則將用戶u和項目k組成的記錄集合定義為確定性輔助反饋：DA_u＝{(u,k)}，其中u∈U，k∈FA_u；

非明確性反饋：在用戶u的確定性目標反饋和確定性輔助反饋中，如果項目j都沒有被用戶u選擇過，則將用戶u和項目j組成的記錄集合定義為非明確性反饋：N_u＝{(u,j)}，u∈U，

步驟2，模型構建

模型的目標函數(shù)為：

其中，c_uk是計算的確定性輔助反饋的置信度；Θ＝{U,V,b}是矩陣分解模型的參數(shù)，regularization是正則化項，用來防止模型學習過程中出現(xiàn)過擬合；

采用矩陣分解模型對用戶對項目的隱藏偏好進行建模，則

其中U∈R^d×m，V∈R^d×n，b∈Rⁿ，d是隱藏特征向量維度；

步驟3，計算確定性輔助反饋的置信度v_uk，從多種類型輔助反饋中篩選出確定性輔助反饋，其中，置信度c_uk的值越大，表示非確定性反饋與確定性反饋之間的相關性越大，可信度越高；

步驟4，定義以下偏序關系假設：

其中，x_ui表示用戶u對于確定性目標反饋中的項目i的偏好，x_uk表示用戶u對于確定性輔助反饋中的項目k的偏好，x_uj表示用戶u對于非明確性反饋中的項目j的偏好；

針對每個用戶u，訓練學習一個排序模型f(u,i)，利用該排序模型可以為用戶u產生相應的項目排序列表Ranked_list(I)：

f:

2.根據權利要求1所述的基于多關系隱式反饋置信度的協(xié)同過濾推薦方法，其特征在于，采用以下方法對所建模型進行模型訓練和參數(shù)學習：

首先基于用戶的主反饋和多種類型的輔助反饋，篩選出確定性主反饋，并采用步驟3中的置信度計算方法篩選出確定性輔助反饋；而后，隨機采樣偏序關系(u,i,k)和(u,k,j),其中i∈DT_u，k∈DA_u，j∈N_u；最后，計算目標函數(shù)關于各模型參數(shù)的梯度，在每次迭代過程進行更新。

3.根據權利要求1所述的基于多關系隱式反饋置信度的協(xié)同過濾推薦方法，其特征在于：

采用邏輯回歸模型計算非確定性反饋與確定性輔助反饋之間的相關性，根據學習到的回歸系數(shù)以及以下公式從多種類型非確定性反饋中篩選出確定性輔助反饋：

其中，A是多種類型輔助隱式反饋，x_a∈{0,1}代表第a種輔助隱式反饋，β₀和β_a是學習到的回歸系數(shù)；

計算用戶對于篩選出的確定性輔助反饋中的項目產生主反饋的可能性，即置信度c_uk：

其中A是多種類型輔助隱式反饋，σ為logistic sigmoid函數(shù)，為用戶u對于產品k上的第a種輔助隱式反饋的值。

4.根據權利要求1所述的基于多關系隱式反饋置信度的協(xié)同過濾推薦方法，其特征在于：

采用基于樹的特征選擇方法計算各個非確定性反饋的重要性，并將計算到的重要性作為權重系數(shù)ω_a，則確定性輔助反饋的置信度c_uk為：

其中，A是多種類型輔助隱式反饋，為用戶u對于產品k上的第a種輔助隱式反饋的值，ω_a是采用基于樹的特征選擇模型學習到的權重系數(shù)；

設定閾值η，其中η∈(0,1)，根據c_uk是否大于閾值η來決定是否將用戶對該產品產生的輔助反饋篩選為確定性輔助反饋。