[发明专利]一种基于联合非负矩阵分解的个性化产品推荐方法

权利要求书

1.一种基于联合非负矩阵分解的个性化产品推荐方法，该方法的特征在于： 

1）从互联网中抓取数据信息，包括用户对已购买产品的评分、用户之间的好友关系，用户对于已购买产品的文字评价； 

2）将数据信息转化成数据矩阵，每一个用户的数据信息是其中的一个行向量； 

3）利用联合非负矩阵分解的方法，将原始数据矩阵分解成多个低维空间下的数据矩阵； 

4）根据低维空间下的数据矩阵，估算每一个用户对于所有未购买产品的评分，按照评分高低进行产品推荐。 

2.如权利要求1所述的基于联合非负矩阵分解的个性化产品推荐方法，步骤1）中所述的用户对已购买产品的评分、用户之间的好友关系，其特征在于： 

用户对已购买产品的评分是一个非负实数，用户之间的好友关系可以是“微博”中的关注关系，也可以是其他社交网络中的好友关系、信任关系等。 

3.如权利要求2所述的基于联合非负矩阵分解的个性化产品推荐方法，步骤2）中所述的将数据信息转化成数据矩阵，每一个用户的数据信息是其中的一个行向量，其特征在于： 

1）对于用户对已购买产品的评分数据，针对每一个用户，定义向量 j表示第j个用户，m为不同产品的总数，（i≤m）取值为用户j对于产品i的评分，如果用户没有购买过产品i，则评分设置为0； 

2）对于用户之间的好友关系，针对每一个用户，定义向量 j表示第j个用户，m为所有用户的总数，（i≤m）取值0或1，如果第i个用户是第j个用户的好友，取值为1，否则取值为0； 

3）对于用户对于已购买产品的文字评价，去掉所有停止词（a，the，or等使用频率很多但没有特定意义或明显区分价值的字或词，常为冠词、介词、副词或连词等)，将单词词干化，即去掉ed，ing等分词形式或ment等词缀，只保留词干形式，遍历所有用户的文字评价， 统计所有出现过的不同的单词，针对每一个用户，定义向量 j表示第j个用户，m为所有评价中不同单词的个数，（i≤m)表示第i个单词在向量v_j中的权重，用它的TF-IDF值表示，即 其中num_j(i)为在用户j的所有评价中，第i个单词出现的个数，total（words）为用户j的所有评价中包含的单词总数，total（documents）为所有用户的所有评价的总数，documents（i）为所有用户的所有评价中含有第i个单词的评价的数目； 

4）针对每一种数据类型，将其对应的向量拼接成一个数据矩阵，定义数据类型i对应的数据矩阵为X⁽ⁱ⁾（i≤t，t为数据类型个数），X⁽ⁱ⁾的每一个行向量就是该数据类型下每一个用户j的表示向量 

4.如权利要求3所述的基于联合非负矩阵分解的个性化产品推荐方法，步骤3）中所述的利用联合非负矩阵分解的方法，将原始数据矩阵分解成多个低维空间下的数据矩阵，其特征在于： 

假定我们有t个不同数据类型，用X⁽¹⁾，X⁽²⁾，……X^(t)表示，定义下述目标函数 

s.t.U⁽ⁱ⁾，V⁽ⁱ⁾，V^(*)≥0，λ_i≥0，γ_i≥0，i=1，...，t 

X⁽ⁱ⁾为n*m⁽ⁱ⁾维矩阵（n为所有用户总数，m⁽ⁱ⁾与特定数据类型相关，不同数据类型维度取值不同），U⁽ⁱ⁾为m⁽ⁱ⁾*k维矩阵，V⁽ⁱ⁾为n*k维矩阵，其中k为原始矩阵分解后的低维空间的维度（根据实际情况人为设定），V^(*)是保持V⁽ⁱ⁾(i=1，...，t)一致的最优值，运算符号 是弗罗贝尼乌斯范数的平方，λ_i，γ_i是可调参数，求解上述公式得到最优解V^(*)，U⁽ⁱ⁾，V⁽ⁱ⁾，其中U⁽ⁱ⁾，V⁽ⁱ⁾为低维表示下的潜在的特征空间， V^(*)是保持V⁽ⁱ⁾(i=1，...，t)一致的最优值。 

5.如权利要求4所述的基于联合非负矩阵分解的个性化产品推荐方法，步骤4）中所述的根据低维空间下的数据矩阵，估算每一个用户对于所有未购买产品的评分，按照评分高低进行产品推荐，其特征在于： 

1）定义与用户对已购买产品的评分数据类型V⁽ⁱ⁾对应的分解后的矩阵U⁽ⁱ⁾为U，定义新的用户对产品的评分矩阵（n为用户总数，m为产品总数），通过                                                  计算求得，表示用户i对产品j的评分； 

2）针对每一个用户i，对于已经购买且有评分的产品j，将更新为原始评分矩阵中X_ij的值，此时矩阵则为所有用户对所有产品的评分矩阵。 

3）根据用户对所有产品的评分矩阵针对目标用户i，在其所有未购满的产品中，选取前N个评分最高的产品进行推荐。