[发明专利]一种基于分类的社会化推荐方法

权利要求书

1.一种基于分类的社会化推荐方法，其特征在于，所述方法包括如下步骤： 

(1)根据用户对项目的评分数据和项目的分类信息，构造初始用户分类矩阵； 

(2)对初始用户分类矩阵做归一化处理，并使用矩阵分解方法重构用户分类矩阵； 

(3)由用户的好友信息构造用户好友之间的信任度； 

(4)根据用户分类矩阵中用户对项目所属分类的评分、使用社会化模型预测得到的用户对项目的评分以及用户好友之间的信任度，使用随机梯度下降法学习得到模型的参数，从而预测用户对项目的最终评分。 

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)包括以下子步骤： 

(1-1)用0值初始化初始用户分类矩阵，初始用户分类矩阵中的元素C’_ik表示用户i对分类k的评分； 

(1-2)读取用户对项目的评分记录； 

(1-3)判断用户对项目的评分记录是否已经遍历完毕，如果没有遍历完毕转入步骤(1-4)，如果遍历完则结束； 

(1-4)读取用户对项目的评分R_ij以及项目对应的分类信息k，R_ij为用户i对项目j的评分，k为项目j所属分类； 

(1-5)把初始用户分类矩阵中对应用户和分类位置上的元素加R_ij，然后转入步骤(1-3)。 

3.根据权利要求1或2所述的方法，其特征在于，所述步骤(2)中对初始用户分类矩阵做归一化处理，具体包括： 

(2-1)读取每个用户对分类的评分C’_ik，选出评分中的最大值 MAX_k'∈GC'_ik'和最小值MIN_k'∈GC'_ik'； 

(2-2)使用公式对每个分类的评分C’_ik做归一化处理，其中G为所有分类的集合。 

4.根据权利要求1或2所述的方法，其特征在于，所述步骤(2)中使用矩阵分解方法重构用户分类矩阵具体为，求取公式 的最小值，获得表示用户兴趣特征的潜在因子矩阵U和表示分类特征的潜在因子矩阵Z，使用表示用户特征的潜在向量和表示分类特征的潜在向量做内积，得到用户对分类的评分，进而获得用户对所有任何分类的评分； 

其中，C∈R^m×l为用户对分类的评分矩阵，矩阵中有m位用户和l种分类，U∈R^d×m和Z∈R^d×l分别表示用户的潜在因子矩阵和分类的潜在因子矩阵，其中d表示潜在因子的数量，列向量Ui表示用户i兴趣偏好的向量，Zk为分类k的特征向量,用户对项目的评分构成矩阵R，用户对分类评分构成矩阵C，R_ij为用户i对项目j的评分，I_ij为指示函数，表示用户i是否对项目j有评分，I_ij＝1表示用户i对项目j有评分，I_ij＝0表示用户i对项目j没有评分，λ_U和λ_Z为规则化参数,以防过度拟合,为矩阵的Frobenius范数。 

5.根据权利要求1或2所述的方法，其特征在于，所述步骤(3)由用户的好友信息构造用户好友之间的信任度，具体计算公式为： 

其中S_ij为用户i对用户j的信任程度，in(j)为信任j的用户数量，out(i)为用户i信任的用户数量。 

6.根据权利要求1或2所述的方法，其特征在于，所述步骤(4)中预测用户对项目的最终评分，具体根据下式计算： 

其中为预测用户i对项目j的评分，为使用社会化推荐模型预测得到的用户对项目的评分，为用户对项目所属分类的预测评分，α是线性加权系数，表示社会化推荐得到对项目评分的比重；U、V、Z分别表示用户特征、项目特征和分类特征的参数矩阵，G(j)为项目j所属的分类集合，通过随机梯度下降法求得目标函数的最小值，并得到U、V、Z的参数值；目标函数为： 

m为推荐系统中用户的数量，n为项目的数量，l为项目分类的数量，λ_C、λ_T、λ_U、λ_V和λ_Z为社会化推荐模型的规则化参数，以防模型过度拟合，为矩阵的Frobenius范数,C为构造的用户对分类的评分，S为用户之间的信任度矩阵，S_iq表示用户i对用户q的信任度，和为指示函数，表示在用户对项目的评分矩阵R中，用户i是否对项目j有评分，I_ij＝1表示用户i对项目j有评分，I_ij＝0表示用户i对项目j没有评分； 表示在用户对分类的评分矩阵C中，用户i是否对分类k有评分，I_ik＝1表示用户i对分类k有评分，I_ik＝0表示用户i对分类k没有评分。