[发明专利]个性化推荐方法

说明书

本发明公开一种个性化推荐方法，涉及计算机数据处理技术领域，包括：获取用户对物品的使用行为数据；按照所获取的使用行为数据生成用户使用行为子列表；遍历所生成的用户使用行为子列表，估算物品的一步转移概率矩阵；基于用户对物品的兴趣的遗忘过程和马尔科夫模型建立个性化推荐模型；使用梯度下降法，对兴趣遗忘过程中用户的个性化参数进行估算，从而根据用户使用行为子列表，为用户进行推荐。本发明提供的个性化推荐方法，能够更准确的捕捉用户偏好的动态变化，这样的推荐方法就显得更具有实用价值。

技术领域

本发明涉及计算机数据处理技术领域，特别是涉及一种个性化推荐方法。

背景技术

随着互联网的高速发展，人们的日常生活越来越多的与互联网紧密联系在一起，例如听音乐、看电影、购物、阅读、聊天等等。与此同时，海量的用户和物品数据每天都不断地在互联网中产生，这导致互联网用户很难，甚至不可能快速地从中找到自己需要的或者感兴趣的未知信息。于是，个性化推荐技术应运而生，并不断地推陈出新。个性化推荐技术旨在根据用户自身的特点，对用户的兴趣偏好进行建模，并进而推荐符合用户个性化偏好的，且尚未使用过的物品。

协同过滤是目前最主流、最有效的一类个性化推荐方法，这类方法通过获取大量的用户对物品的行为数据，对用户与用户、物品与物品、用户与物品之间的关系分别进行建模，并以“行为相似的用户拥有相似的偏好”为基本假设进行个性化推荐。这类方法普遍存在的一个较大的局限是：协同过滤方法假设用户u已使用过的所有物品都均等地反映了用户u的个性化偏好。这个均等假设在用户的个性化偏好可能快速动态变化的推荐问题中是不成立的，例如用户一天之内的情绪可能发生多次变化，那么用户在不同情绪之下所偏好的歌曲也一般有很大差异，开心的时候可能喜欢听欢快的歌曲，悲伤的时候可能喜欢听舒缓、安静的歌曲，那么用户在开心的状态下听的歌曲就不能正确的反映用户在心情低落、伤感时的歌曲偏好。同样，电影推荐、网站推荐等也有类似的情况。

为了提升现有推荐方法的有效性，需要考虑用户的偏好随时间动态变化的特点。因此，用户已使用过的物品不会均等的反映该用户在给定的时刻下的偏好。

因此，目前需要本领域技术人员迫切解决的一个技术问题就是：如何能够创新地提出一种有效方法，以满足实际应用中的更多需求，创造更多的应用价值。

发明内容

本发明所要解决的技术问题是提供一种个性化推荐方法，能够更准确的捕捉用户偏好的动态变化，这样的推荐方法就显得更具有实用价值。

为了解决上述技术问题，本发明实施例公开了一种个性化推荐方法，包括：

获取用户对物品的使用行为数据；

按照所获取的使用行为数据生成用户使用行为子列表；

遍历所生成的用户使用行为子列表，估算物品的一步转移概率矩阵；

基于用户对物品的兴趣的遗忘过程和马尔科夫模型建立个性化推荐模型；

使用梯度下降法，对兴趣遗忘过程中用户的个性化参数进行估算，从而根据用户使用行为子列表，为用户进行推荐。

优选的，所述获取用户对物品的使用行为数据所获取到用户的使用行为均为正面用户反馈。

优选的，所述生成用户使用行为子列表的依据为用户动态的使用行为过程中，用户的偏好的变化。

优选的，所述一步转移概率矩阵为实数矩阵。

优选的，所述的个性化推荐模型为一个修正的一阶马尔科夫模型。

优选的，所述用户对物品的使用行为为听音乐。

与现有技术相比，本发明具有以下优点：