[發明專利]基于半離散矩陣分解的物品推薦方法

有效

• 申請號: 202010344347.3
• 申請日: 2020-04-27
• 公開（公告）號: CN111552852B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 鄔俊;羅芳媛;張雨佳
• 申請（專利權）人: 北京交通大學
• 主分類號: G06F16/906
• 分類號: G06F16/906;G06F16/9536;G06Q30/06
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

本發明公開一種基于半離散矩陣分解的物品推薦方法。該方法包括：構建用戶?物品評分矩陣R，根據用戶?物品評分矩陣R訓練矩陣分解模型，獲得用戶的實值特征矩陣P和物品的實值特征矩陣Q；根據P對用戶獨立執行聚類分析，獲得用戶的錨點特征矩陣E，根據Q對物品獨立執行聚類分析，獲得物品的錨點特征矩陣F；根據R、P、Q、E、F訓練半離散矩陣分解模型，獲得用戶的二值編碼矩陣B和物品的二值編碼矩陣D；根據B和D還原評分矩陣根據R將中已觀測評分位置的預估值置0，根據將預測分值最高的前設定數量個物品推薦給相應用戶。本發明方法綜合運用“點級”平滑和“組級”平滑技巧，有效彌補了離散矩陣分解模型編碼損失較大的缺點，并大幅度提升了推薦精度。

技術領域

本發明涉及計算機應用技術領域，尤其涉及一種基于半離散矩陣分解的物品推薦方法。

背景技術

大數據時代，多元化網絡平臺與各類移動應用泛在互連，網絡信息服務日益表現出“以用戶為中心”的特點。如何有效挖掘用戶的網絡足跡，并為其提供精準的個性化服務已成為當下學術界和工業界共同關注的熱點話題。在此背景下，推薦系統應運而生，在對抗信息過載并提供個性化信息服務方面扮演著重要角色。

協同過濾是構建個性化推薦系統的核心技術之一。現有協同過濾技術中的一種主流方法為MF(Matrix Factorization，矩陣分解)模型，通過分解“用戶-物品”交互矩陣，構建用戶和物品共享的實值特征空間；基于該特征空間，所有用戶和物品被表示為低維實值向量。繼而通過計算用戶特征向量和物品特征向量內積的方式估計二者之間的相關性，并將相關性較高的物品推薦給相應用戶。

上述MF模型的缺點為：隨著在線用戶和物品數量迅猛增長，MF模型的在線預測效率嚴重受限于在線用戶和物品的數量，難以適用于大規模實時推薦任務。

MF模型的輕量化版本稱為DMF(discrete matrix factorization,離散矩陣分解)模型，通過分解“用戶-物品”交互矩陣，構建用戶和物品共享的海明特征空間；基于該特征空間，該模型將向量空間下的用戶、物品實值特征替換為海明空間內的二值編碼，進而推薦任務可借助邏輯運算高效執行。

上述DMF模型的缺點為：由于二值編碼較之實值特征攜帶信息量較小，使其推薦準確性嚴重受損。換言之，DMF模型以犧牲推薦精度為代價換取預測效率，使得DMF模型的推薦精度嚴重衰減。

發明內容

本發明的實施例提供了一種基于半離散矩陣分解的物品推薦方法，以克服現有技術的問題。

為了實現上述目的，本發明采取了如下技術方案。

一種基于半離散矩陣分解的物品推薦方法，包括：

構建用戶-物品評分矩陣R，用于記錄用戶對物品的評分行為；

根據用戶-物品評分矩陣R訓練矩陣分解模型，獲得用戶的實值特征矩陣P和物品的實值特征矩陣Q；

根據用戶的實值特征矩陣P對用戶執行聚類分析，獲得用戶的錨點特征矩陣E，根據物品的實值特征矩陣Q對物品執行聚類分析，獲得物品的錨點特征矩陣F；

根據R、P、Q、E、F訓練半離散矩陣分解模型，獲得用戶的二值編碼矩陣B和物品的二值編碼矩陣D；

根據用戶的二值編碼矩陣B和物品的二值編碼矩陣D還原評分矩陣根據R將中已觀測評分位置的預估值置0，根據評分矩陣將預測分值最高的前設定數量個物品推薦給相應用戶。

優選地，所述的構建“用戶-物品”評分矩陣R，用于記錄用戶對物品的評分行為，包括：

構建“用戶-物品”評分矩陣，用于記錄用戶對物品的評分行為，其中m、n分別表示用戶、物品的數量，并對“用戶-物品”評分矩陣R中的評分數據進行歸一化處理，所述物品包括產品或者服務。