[發明專利]一種基于集成學習的個性化推薦方法

有效

• 申請號: 202110629501.6
• 申請日: 2021-06-07
• 公開（公告）號: CN113326433B
• 公開（公告）日: 2023-10-10
• 發明（設計）人: 段勇;楊堃
• 申請（專利權）人: 沈陽工業大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F18/243;G06F18/25;G06F18/27;G06F18/2415;G06N20/10;G06N20/20
• 代理公司: 沈陽智龍專利事務所(普通合伙) 21115
• 代理人: 宋鐵軍

本發明涉及機器學習和推薦系統領域，具體涉及一種基于集成學習的個性化推薦方法，該方法包括三個模塊，分別為數據預處理、模型建立及其優化和個性化推薦。其中數據預處理模塊主要負責對數據特征的重新整合，通過構造新特征以及流行學習降維解決復雜特征提取困難問題；模型建立及其優化模塊主要負責基于融合完成的數據建立個性化集成學習預測模型，并在預測模型建立的基礎上進行貝葉斯優化，提高個性化推薦的準確度；個性化推薦模塊主要負責獲取預測模型的數據結果，通過Top N推薦方法獲得個性化推薦結果并進行驗證。該方法可以通過集成學習提高個性化推薦的準確度；另外融合流行學習進行降維實現數據特征的融合，進而解決了復雜特征提取困難問題。

技術領域

本發明涉及機器學習和推薦系統領域，具體涉及一種基于流行學習LPP(局部保留投影算法，Locally Preserving Projections)和集成學習GBDT(梯度提升決策樹，Gradient Boosting Decision Tree)的個性化推薦方法。

背景技術

近年來，隨著互聯網技術和計算機技術的不斷更新，互聯網帶來了巨大的信息數據量的同時，也加劇了“信息超載”的現象。雖然用戶對信息資源的選擇范圍得到擴大，但是如何從龐大的數據中快速有效地篩選出對自己有用的信息，提高信息的利用效率成為當代互聯網發展的一大難題。許多現有的web應用程序(如門戶網站和搜索引擎等)本質上都是幫助用戶過濾信息的一種方法。但是，這些方法只能滿足用戶的主流需求，沒有考慮到個性化這一問題，并且信息過載的問題仍然沒有得到很好的解決。個性化推薦作為一種重要的信息過濾手段，是解決信息超載問題的一種有效方法。

伴隨著機器學習時代的發展，將機器學習方法應用在推薦算法領域成為一大趨勢。個性化推薦也借助了很多機器學習方法，比如支持向量機、決策樹、神經網絡、深度學習、聚類、降維、回歸預測、集成學習等。基于機器學習的個性化推薦方法可以有效解決相似度計算方法單調、相似度計算復雜度高、難以挖掘用戶潛在興趣、用戶標簽信息和人口統計學信息難以利用、以及商品特征抽取較為困難等問題，然而用戶標簽信息、人口統計學信息以及商品特征信息在解決冷啟動問題方面效果欠佳，是獲取用戶潛在興趣的必不可少的信息。

發明內容

發明目的

本發明提出了一種基于局部保留投影算法和集成學習的個性化推薦方法，其目的在于解決推薦系統中信息過載的問題，提高個性化推薦的效率和精度。

技術方案

一種基于集成學習的個性化推薦方法，其特征在于，所述方法包括：

步驟1：分析個性化推薦數據的維度屬性，將個性化推薦數據分為“用戶- 物品-評分”數據；將相關聯的“用戶-物品-評分”維度進行數據關聯；

步驟2：處理完成后分析“用戶-物品-評分”每個維度屬性的數據類型，并將其數據類型轉化為集成學習所要求的數據類型；

步驟3：根據“用戶-物品-評分”維度屬性中“評分”屬性，進行特征屬性生成；

步驟4：將所得到的所有數據進行標準化處理，計算方式如下：

其中，vv表示數據的原始數值，v′表示標準化處理后的數值，min表示vv所在列的最小值，max表示vv所在列的最大值；

步驟5：設原始空間中“用戶-物品-評分”數據集A有m個樣本點x₁,x₂,...,x_m，樣本點x_i是一個l維向量，i取值為從1到m的整數，這m個樣本按照列構成的矩陣為X；利用流行學習LPP方法對該數據集A進行降維處理，降維后的數據集B 為由樣本點y₁,y₂,...,y_m構成，樣本點y_i是一個n維向量，這m個樣本按照列構成的矩陣為Y，其中l＞n；