[發明專利]基于屬性知識引入的協同過濾推薦方法

在審

• 申請號: 202210669159.7
• 申請日: 2022-06-14
• 公開（公告）號: CN115203580A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 殷風景;張鑫;潘巖;肖衛東;趙翔;徐浩;雷軍
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06N5/02
• 代理公司: 長沙大珂知識產權代理事務所(普通合伙) 43236
• 代理人: 伍志祥

本發明屬于推薦技術領域，公開了基于屬性知識引入的協同過濾推薦方法，包括：構建基于用戶直接信息和間接信息的屬性體系；基于帶L1懲罰項的邏輯回歸模型的特征選取；基于雙向量拼接的用戶行為向量與用戶屬性知識向量的融合；并將協同過濾、基于用戶屬性知識計算近鄰和用戶屬性知識與行為向量融合集成形成三重混合推薦，所述三重混合推薦通過利用屬性信息，并通過加權投票方式將用戶屬性、行為數據和協同過濾的推薦融合起來。本發明通過構建與引入屬性信息，集成行為數據信息，在進行嵌入式特征選取和向量拼接相似計算的基礎上，建立三重混合推薦模型將用戶屬性和協同過濾結合起來，提升了推薦的效果。

技術領域

本發明屬于推薦技術領域，尤其涉及基于屬性知識引入的協同過濾推薦方法。

背景技術

電子商務、視頻服務和新聞服務的迅速普及，帶給消費者的便利不斷提高。但是同時，商品、新聞和視頻等商品與潛在感興趣的消費者之間越來越難以準確匹配，潛在消費者需要一種能夠幫助自己找到更符合其興趣商品的技術。信息推薦技術的目標是將各種物品(包括新聞、商品、視頻等)帶給合適的用戶，并保持較高正確度的匹配率。然而，目前使用推薦技術來克服“信息過載”的問題時，一些制約推薦精度提高的問題變得越來越突出。

推薦技術面臨的場景中數據量通常很大，但推薦能夠使用的用戶相關數據又往往不足。數據稀疏性不僅增加了計算的復雜度，還降低了推薦的有效性。此外，對于不同的用戶來說，用戶評分模式有很大差異，這使得利用評分模式模擬用戶興趣的方法面臨著用戶相似性計算和最終信息推薦的準確性都出現了降低。

基于協同過濾的推薦算法的改進，需要新的用戶興趣表示方法和用戶相似度計算方法。

協同過濾算法是滿足推薦需求的一種很有前途的方法。它將用戶行為視為興趣的表示，并根據用戶歷史評分數據對用戶進行分類。因此，用戶分組也在一定程度上意味著用戶的偏好。

傳統協同過濾方法衍生出兩類算法，分別是基于用戶的協同過濾和基于項目的協同過濾，簡稱UBCF和IBCF。預測的評分可以直觀地顯示用戶的興趣水平，從而做出相應的推薦，這就是基于用戶的協同過濾的假設。基于項目的協同過濾所要計算的是不同項目之間的相似性，對于接下來的推薦計算環節非常重要。基于項目的協同過濾也被廣泛使用，特別是面對半結構化或非結構化數據，當項目屬性的抽取比較困難時。

隨著在線用戶數量和各種信息的快速并且廣泛的增加，推薦算法日益呈現出理解用戶興趣誤差較大、偏離用戶興趣、主題漂移等問題。這些不足之處制約著推薦效果的提高，成為推薦領域亟待解決的問題。

發明內容

有鑒于此，本發明提出了基于屬性知識引入的協同過濾推薦方法，包括以下步驟：

定義用戶直接信息和間接信息，基于此構建用戶的屬性體系；所有屬性的集合生成用戶屬性的整個維度；

為篩選信息量大、區分度高的關鍵特征，采用基于帶L1懲罰項的邏輯回歸模型的方式進行特征選取；

針對用戶屬性知識和行為數據分別進行向量化，將用戶行為向量與用戶屬性知識向量進行拼接，形成屬性和行為融合的推薦；

基于L1懲罰項的屬性知識嵌入選取方法和用戶屬性知識嵌入協同過濾構建三重混合推薦，所述三重混合推薦通過利用屬性信息，豐富用戶的興趣偏好表達，提高用戶之間的相似性計算的精準性，并通過加權投票方式將用戶屬性和協同過濾融合起來。

進一步的，定義用戶間接屬性，使用用戶行為關聯的項目信息進行關聯，如果用戶對某個項目評分很高，該項目所具有的屬性將在用戶相應的屬性維度中被點亮；一個項目可能有多個屬性，因此一個評分可能會點亮用戶屬性知識空間中的多個維度；如果用戶從未對具有相同屬性的任何項目進行評分，或者評分不夠好，則用戶屬性向量中對應那些項目屬性的元素值將為0；每當用戶對一個具有一個或多個屬性的項目進行評分，并且評分比較好時，與這些項目屬性對應的用戶屬性維度就將會增加。