[發(fā)明專利]一種基于GBP的PMF方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010635459.4
• 申請(qǐng)日: 2020-07-03
• 公開（公告）號(hào): CN111754312A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 吳健;王強(qiáng);劉智平
• 申請(qǐng)（專利權(quán)）人: 上海解兮生物科技有限公司
• 主分類號(hào): G06Q30/06
• 分類號(hào): G06Q30/06;G06F16/9535
• 代理公司: 北京恒泰銘睿知識(shí)產(chǎn)權(quán)代理有限公司 11642
• 代理人: 周成金

本發(fā)明公開了一種基于GBP的PMF方法，上述方法能解決現(xiàn)有技術(shù)中的推薦系統(tǒng)沒有基于基因維度來進(jìn)行推薦，只保證在BP維度方面，沒有辦法從高維度進(jìn)行匹配推薦的問題，該算法有具有提升學(xué)習(xí)率，防止步長(zhǎng)過大導(dǎo)致最終無法收斂的問題；迭代次數(shù)減少，提高運(yùn)行效率；相比傳統(tǒng)MF更加精準(zhǔn)、高效。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘技術(shù)領(lǐng)域，尤其涉及一種基于GBP的PMF方法，上述推薦系統(tǒng)能解決現(xiàn)有技術(shù)中的推薦系統(tǒng)沒有基于基因維度來進(jìn)行推薦，只保證在BP維度方面，沒有辦法從高維度進(jìn)行匹配推薦的問題。

背景技術(shù)

隨著電子商務(wù)網(wǎng)站的快速發(fā)展，推薦系統(tǒng)已經(jīng)被廣泛研究和應(yīng)用，推薦系統(tǒng)通過提取分析用戶的資料、行為、評(píng)分等信息，獲得用戶的喜好，來幫助電商找到特定的用戶為其推薦可能購(gòu)買的產(chǎn)品，增加商品的銷售量。

推薦系統(tǒng)通過收集用戶的歷史評(píng)分、交互(瀏覽、收藏、“點(diǎn)贊”，“踩”等交互行為)、用戶肖像(年齡、職業(yè)、性別等)、社交網(wǎng)絡(luò)和上下文(時(shí)間、位置、活動(dòng)狀態(tài)、周圍人員等)等數(shù)據(jù)，對(duì)用戶的歷史興趣及偏好進(jìn)行分析，挖掘出用戶喜歡的項(xiàng)目(視頻、音頻、書籍、菜品、Web服務(wù)等信息)，然后主動(dòng)地將相關(guān)信息推薦給用戶，滿足用戶的個(gè)性化需求。推薦算法是推薦系統(tǒng)的核心，很大程度上決定了推薦系統(tǒng)的性能。目前主要的推薦算法包括基于內(nèi)容的推薦、基于知識(shí)的推薦、基于關(guān)聯(lián)規(guī)則的推薦、協(xié)同過濾推薦和組合推薦等。

目前被廣泛研究的推薦系統(tǒng)有的是采用基于內(nèi)容的推薦算法、協(xié)同過濾推薦算法等。基于內(nèi)容的推薦算法是通過用戶購(gòu)買過的產(chǎn)品的特征，為用戶推薦與其相似的產(chǎn)品。這種算法的優(yōu)點(diǎn)是可以處理冷啟動(dòng)問題，處理新加入的產(chǎn)品，并且這種算法不會(huì)受到打分稀疏性的問題，因?yàn)樗灰蕾囉谟脩魧?duì)產(chǎn)品的評(píng)分。但是它的缺點(diǎn)是無法處理像圖形、視頻和音樂這種難以分析提取內(nèi)容特征的商品。

協(xié)同過濾算法則是利用用戶-產(chǎn)品評(píng)分矩陣，計(jì)算用戶或產(chǎn)品之間的相似度，利用相似度較高的鄰居對(duì)其他產(chǎn)品進(jìn)行評(píng)分預(yù)測(cè)，并根據(jù)預(yù)測(cè)評(píng)分的高低為目標(biāo)用戶進(jìn)行推薦。但是每一個(gè)用戶購(gòu)買的產(chǎn)品數(shù)量通常不到產(chǎn)品總數(shù)的1％，所以造成用戶-產(chǎn)品評(píng)分矩陣非常稀疏，從而使得推薦結(jié)果不佳；而基于鄰域的協(xié)同過濾推薦算法是應(yīng)用最早的協(xié)同過濾推薦技術(shù)，代表性算法為基于用戶的協(xié)同過濾推薦和基于項(xiàng)目的協(xié)同過濾推薦。然而隨著用戶規(guī)模和項(xiàng)目數(shù)量的快速增長(zhǎng)，基于鄰域的協(xié)同過濾推薦算法的計(jì)算量大規(guī)模增大，同時(shí)產(chǎn)生了嚴(yán)重的評(píng)分?jǐn)?shù)據(jù)稀疏性問題，即評(píng)分稀疏性問題。為了處理可擴(kuò)展性和評(píng)分稀疏性問題，一些研究學(xué)者提出采用基于矩陣分解模型的推薦算法。矩陣分解模型假定“用戶—項(xiàng)目”評(píng)分矩陣可以被分解為低維的潛在特征矩陣的乘積，其中潛在特征用于表示用戶偏好或項(xiàng)目特征，如在電影推薦中，這些特征可能為喜劇、懸疑劇、愛情劇因素等。多次國(guó)際性比賽和大量研究都驗(yàn)證了矩陣分解模型具有抗數(shù)據(jù)稀疏性、易編程、較低的時(shí)空復(fù)雜度、較高的推薦精度和良好的可擴(kuò)展性等優(yōu)點(diǎn)。

相對(duì)于基于鄰域的協(xié)同過濾推薦算法，矩陣分解模型有效緩解了評(píng)分稀疏性問題，但該問題還沒有得到完全解決。為了進(jìn)一步緩解評(píng)分稀疏性問題，本發(fā)明在深入研究PMF的基礎(chǔ)上，提出了一種基于矩陣分解的協(xié)同過濾推薦方法及系統(tǒng)，該算法在PMF的基礎(chǔ)上，通過將用戶的基因(Gene)，行為(Behavior)，表型(Phenotypic)這三類信息稱之為用戶的GBP數(shù)據(jù)，將這些數(shù)據(jù)進(jìn)行標(biāo)簽化，進(jìn)而形成以用戶為基礎(chǔ)的GBP標(biāo)簽；將用戶的GBP信息進(jìn)行標(biāo)簽化后，再將內(nèi)容(商品、文章、視頻、圖片等)信息進(jìn)行標(biāo)簽化，進(jìn)而將用戶的GBP標(biāo)簽和內(nèi)容的標(biāo)簽進(jìn)行算法層面的匹配；本發(fā)明中將上述算法稱為GBP-PMF算法，可見，GBP-PMF算法是一種基于矩陣分解的協(xié)同過濾推薦算法，GBP-PMF算法是基于基因維度對(duì)原有MF算法進(jìn)行優(yōu)化，該算法有具有提升學(xué)習(xí)率，防止步長(zhǎng)過大導(dǎo)致最終無法收斂的問題；迭代次數(shù)減少，提高運(yùn)行效率；相比傳統(tǒng)MF更加精準(zhǔn)、高效。

發(fā)明內(nèi)容