[發明專利]一種基于用戶與物品多屬性交互面向隱式反饋的推薦方法

有效

• 申請號: 202110318014.8
• 申請日: 2021-03-25
• 公開（公告）號: CN113010802B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 李欣;梅登華;黃牛
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

本發明公開了一種基于用戶與物品多屬性交互面向隱式反饋的推薦方法，包括步驟：1)對用戶與物品多個屬性的隱式反饋交互數據進行預處理；2)根據預處理后用戶與物品每個屬性的隱式反饋交互數據來初始化用戶物品特征向量以及構造用戶物品交互矩陣；3)根據每個屬性的用戶物品交互矩陣來更新對應的用戶物品特征向量；4)對多個用戶物品特征向量進行融合來獲取最新的用戶物品特征向量；5)根據最新的用戶物品特征向量的內積計算用戶對物品的興趣值；6)根據用戶對物品的興趣值進行排序，生成推薦列表。本發明利用用戶與物品多個屬性的交互，獲得更全面表示用戶興趣和物品特性的用戶物品特征向量，從而實現更加精準的推薦。

技術領域

本發明涉及推薦方法的技術領域，尤其是指一種基于用戶與物品多屬性交互面向隱式反饋的推薦方法。

背景技術

隨著大數據時代的到來，互聯網中的數據正呈指數級增長，人們從曾經的信息匱乏時代步入了信息過載時代。推薦技術是一種解決信息過載的有效方法，協同過濾是推薦技術中比較突出和常用的方法。傳統的協同過濾方法，如矩陣分解技術將用戶物品交互矩陣分解為關于用戶和關于物品的兩個低秩矩陣，然后使用用戶和物品的低秩向量內積來預測用戶對物品的興趣值。不過這種方法由于只使用了用戶的歷史行為數據這一個方面的信息，在用戶物品交互矩陣稀疏時的推薦效果并不是很好。

發明內容

本發明的目的在于解決傳統協同過濾推薦技術的不足，提出了一種基于用戶與物品多屬性交互面向隱式反饋的推薦方法，能夠在隱式反饋場景中實現更加精準的推薦，可以獲得更全面表示用戶興趣和物品特性的用戶物品特征向量。

為實現上述目的，本發明所提供的技術方案為：一種基于用戶與物品多屬性交互面向隱式反饋的推薦方法，包括以下步驟：

1)對用戶與物品多個屬性的隱式反饋交互數據進行數據變換預處理；

2)根據預處理后用戶與物品每個屬性的隱式反饋交互數據來初始化對應用戶物品特征向量以及構造對應的用戶物品交互矩陣；

3)根據每個屬性的用戶物品交互矩陣來更新對應的用戶物品特征向量；

4)對多個用戶物品特征向量進行融合來獲取最新的用戶物品特征向量；

5)根據最新的用戶物品特征向量的內積計算用戶對物品的興趣值；

6)根據用戶對物品的興趣值進行排序，生成推薦列表。

在步驟1)中，對用戶與物品多個屬性的隱式反饋交互數據進行數據變換預處理是針對用戶與物品每個屬性的隱式反饋交互數據，通過字典映射的方式進行數據變換預處理；所述用戶與物品多個屬性的隱式反饋交互數據是指用戶在推薦系統中對物品產生點擊或觀看行為，推薦系統生成的包括用戶ID與對應物品多個屬性值的記錄；隱式反饋的特點在于：將用戶交互的物品作為用戶喜歡的正樣本，但缺乏用戶不喜歡的負樣本，通過從用戶未交互的物品中利用隨機采樣的方式獲取預設量的負樣本；數據變換預處理是指把用戶與物品多個屬性的隱式反饋交互數據中的用戶ID和物品屬性值通過字典進行一一映射，把所有用戶ID映射到0至m-1范圍內，表示總共有m個用戶，從0開始計數，m-1表示第m-1個用戶；物品屬性個數表示為F，屬性f表示物品第f個屬性，f取值范圍為1到F，把每個屬性f的屬性值映射到0至n_f-1范圍內，表示屬性f總共有n_f個屬性值，從0開始計數，n_f-1表示第n_f-1個屬性值。

在步驟2)中，根據預處理后用戶與物品每個屬性的隱式反饋交互數據來初始化對應用戶物品特征向量以及構造對應的用戶物品交互矩陣是指根據預處理后用戶與物品每個屬性的隱式反饋交互數據來對用戶與物品每個屬性組成的特征向量矩陣進行初始化，同時構造用戶與物品每個屬性的交互矩陣，具體情況如下：