[發(fā)明專利]一種基于信任信息的TimeSVD改進(jìn)算法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910587112.4
• 申請(qǐng)日: 2019-07-01
• 公開（公告）號(hào): CN110457591A
• 公開（公告）日: 2019-11-15
• 發(fā)明（設(shè)計(jì)）人: 劉葉;曹曉梅
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06F16/9536
• 分類號(hào): G06F16/9536;G06Q30/06
• 代理公司: 32102 南京蘇科專利代理有限責(zé)任公司
• 代理人: 陳棟智<國(guó)際申請(qǐng)>=<國(guó)際公布>=<進(jìn)入

本發(fā)明公開互聯(lián)網(wǎng)領(lǐng)域內(nèi)的一種基于信任信息的TimeSVD改進(jìn)算法，用以解決推薦系統(tǒng)中用戶冷啟動(dòng)以及評(píng)分?jǐn)?shù)據(jù)過(guò)于稀疏的問(wèn)題，當(dāng)用戶處于新用戶時(shí)或者評(píng)分?jǐn)?shù)據(jù)過(guò)少的時(shí)候，能夠有效地通過(guò)信任網(wǎng)絡(luò)中與該用戶信任程度高的其它熱用戶的評(píng)分值，實(shí)現(xiàn)對(duì)該新用戶進(jìn)行物品推薦；該方法首先借助用戶數(shù)據(jù)構(gòu)建評(píng)分矩陣以及信任矩陣；接著運(yùn)用TimeSVD算法對(duì)矩陣進(jìn)行分解降維；最后結(jié)合信任矩陣模型與用戶評(píng)分矩陣模型，構(gòu)造損失函數(shù)進(jìn)行訓(xùn)練，對(duì)比不同的信任值，準(zhǔn)確地獲取到用戶的偏好。

技術(shù)領(lǐng)域

本發(fā)明涉及一種SVD算法，具體的說(shuō)是一種基于信任信息的TimeSVD改進(jìn)算法，屬于互聯(lián)網(wǎng)技術(shù)領(lǐng)域。

背景技術(shù)

隨著互聯(lián)網(wǎng)和信息技術(shù)的快速發(fā)展，數(shù)據(jù)量也飛速的增加。微博、搜索引擎、電子商務(wù)等網(wǎng)絡(luò)業(yè)務(wù)的普及，導(dǎo)致人們?cè)诿鎸?duì)如此海量的數(shù)據(jù)時(shí)，想要篩選出自己想要的信息變得非常困難。為了解決這個(gè)問(wèn)題，推薦系統(tǒng)應(yīng)運(yùn)而生。而協(xié)同過(guò)濾是建立推薦系統(tǒng)的最常用方法，多次在Netflix大賽中獲得大獎(jiǎng)。它分為基于用戶(User-based)、基于項(xiàng)目(Item-based)以及基于模型的協(xié)同過(guò)濾(Model-based collaborative filtering)，包括MatrixFactorization(MF)，Singular Value Decomposition(SVD)，Latent DirichletAllocation(LDA)等。其中最受矚目的就是SVD算法。

SVD算法可以直接用于推薦，我們把User-Item評(píng)分矩陣進(jìn)行SVD分解降維，通過(guò)計(jì)算得出預(yù)測(cè)評(píng)分，并且直接對(duì)用戶進(jìn)行推薦。但為了提高推薦準(zhǔn)確度，我們又在模型中加入隱式偏置信息，包括用戶偏置、項(xiàng)目偏置以及時(shí)間偏置，從而組成新的TimeSVD模型，很大程度上提高了推薦的準(zhǔn)確度。

信任信息作為用戶隱式信息對(duì)于解決評(píng)分?jǐn)?shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題起到重要作用，一直收到廣泛的關(guān)注。在用戶日常生活中，除了從自身喜好和歷史行為作為偏好判斷之外，用戶傾向于相信他們信任的其他人的信息，比如朋友或者網(wǎng)絡(luò)好友。當(dāng)用戶屬于新用戶或冷用戶時(shí)，但他可能與某個(gè)熱用戶有信任關(guān)系。通過(guò)這種反饋情況，信任關(guān)系信息可以作為隱式信息解決評(píng)分?jǐn)?shù)據(jù)稀疏性和用戶冷啟動(dòng)問(wèn)題。這種信任關(guān)系是基于用戶之間經(jīng)常通過(guò)推薦物品產(chǎn)生的互相影響而發(fā)展起來(lái)。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于信任信息的TimeSVD改進(jìn)算法，解決了推薦系統(tǒng)中特定用戶冷啟動(dòng)的問(wèn)題，當(dāng)用戶處于新用戶時(shí)或者評(píng)分?jǐn)?shù)據(jù)過(guò)少的時(shí)候，能夠有效地通過(guò)信任網(wǎng)絡(luò)中與該用戶信任程度高的其它熱用戶的評(píng)分值，實(shí)現(xiàn)對(duì)該新用戶進(jìn)行物品推薦。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：一種基于信任信息的TimeSVD改進(jìn)算法，包括以下步驟：

步驟1)數(shù)據(jù)輸入，包括用戶評(píng)分信息與用戶信任信息；

步驟2)構(gòu)建評(píng)分矩陣：建立m×n階的用戶-項(xiàng)目評(píng)分矩陣，m為用戶組，n為項(xiàng)目組，用R表示評(píng)分矩陣，則R＝[r_u,i]_m×n，r_u,i表示用戶u對(duì)項(xiàng)目i的評(píng)價(jià)；

步驟3)構(gòu)建信任矩陣：建立m×m階的用戶信任矩陣，m為用戶組，用T表示用戶信任矩陣，則T＝[t_uv]_m×m，它表示用戶u對(duì)v的信任值，當(dāng)特定項(xiàng)目為i時(shí)，矩陣為

步驟4)TimeSVD分解矩陣：利用TimeSVD對(duì)已經(jīng)建立好的m×n階評(píng)分矩陣R分解降維，將矩陣R分解為P∈R^d×m、Q∈R^d×n、∑；其中P∈R^d×m代表用戶矩陣，Q∈R^d×n代表項(xiàng)目矩陣，將高維度的用戶-項(xiàng)目的評(píng)分矩陣分解為兩個(gè)低維度矩陣的乘積，這兩個(gè)低維度矩陣分別被稱為用戶特征向量矩陣和項(xiàng)目特征向量矩陣，∑是奇異值的對(duì)角矩陣，則用戶u對(duì)未評(píng)分項(xiàng)目i的評(píng)分預(yù)測(cè)值

步驟5)根據(jù)評(píng)分預(yù)測(cè)，給出推薦結(jié)果。