[發明專利]基于帶權貝葉斯個性化排序的強時序性項目推薦方法及系統

有效

• 申請號: 202011072547.4
• 申請日: 2020-10-09
• 公開（公告）號: CN112199589B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 陳建海;榮大中;沈睿;何欽銘
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 鄭海峰

1.一種基于帶權貝葉斯個性化排序的強時序性項目推薦方法，其特征在于，包括以下步驟：

S1：針對某一強時序性項目，獲取用戶、已交互項目和交互時間數據，對獲取到的數據進行預處理，生成隱式反饋數據集；所述的隱式反饋數據集中包含所有用戶對兩個不同項目喜好程度的偏序關系三元組；

S2：根據用戶和項目的交互記錄，得到每一個偏序關系三元組中兩個項目的相對時序信息，根據相對時序信息確定每一個偏序關系三元組的可信度；每一個偏序關系三元組的可信度與三元組中兩個項目的相對時序信息的差值成正比；

S3：根據步驟S2生成的隱式反饋數據集對預設的推薦模型進行訓練，在訓練過程中采用帶權貝葉斯個性化排序的方法，將每一個偏序關系三元組的可信度引入到目標函數中，完成推薦模型的訓練；

所述的推薦模型在訓練過程中將目標函數最小化，所述的目標函數為：

其中，(u,i,j)表示偏序關系三元組，用戶u與項目i已交互、與項目j未交互；D_s表示由偏序關系三元組構成的訓練集，c_ij表示三元組(u,i,j)的可信度，σ是sigmoid函數，λ_θ是正則化系數，表示用戶u對項目i的喜好程度預測值，表示用戶u對項目j的喜好程度預測值，θ是推薦模型的模型參數，‖·‖²是范數；

所述的推薦模型采用矩陣分解模型，通過訓練矩陣分解模型中的用戶矩陣W和項目矩陣H以最小化：

其中，W_u表示用戶u的潛特征向量，H_i表示項目i的潛特征向量，H_j表示項目j的潛特征向量；

矩陣分解模型在訓練過程中采用梯度下降的方法，公式為：

其中，表示用戶u對項目i和項目j的喜好程度預測值的差值；η是學習率，←表示參數更新符號；

S4：訓練結束后，得到預測的用戶項目矩陣，根據用戶項目矩陣中用戶對于未交互項目的喜好程度從高到低向用戶推薦項目。

2.根據權利要求1所述的一種基于帶權貝葉斯個性化排序的強時序性項目推薦方法，其特征在于，所述的步驟S2具體為：

針對某一強時序性項目，獲取用戶、已交互項目和交互時間數據；

遍歷用戶已交互項目和未交互項目，生成表示同一用戶對兩個不同項目喜好程度的偏序關系三元組(u,i,h)作為訓練集；在偏序關系三元組(u,i,h)中，表示用戶u與項目i已交互而與項目j未交互。

3.根據權利要求1所述的一種基于帶權貝葉斯個性化排序的強時序性項目推薦方法，其特征在于，所述可信度的計算公式為：

其中，t_i是項目i的相對時序信息，t_j是項目j的相對時序信息，為(t_j-t_i)的均值，為(t_j-t_i)的標準差，μ是超參數，c_ij是偏序關系三元組(u,i,j)的可信度。

4.根據權利要求1所述的一種基于帶權貝葉斯個性化排序的強時序性項目推薦方法，其特征在于，某一項目的相對時序信息為對該項目已交互的用戶數量。

5.根據權利要求1所述的一種基于帶權貝葉斯個性化排序的強時序性項目推薦方法，其特征在于，所述強時序性項目為題目、音樂、書籍或電影。