[发明专利]基于二分网络双向扩散的个性化推荐方法

说明书

技术领域

本发明属于推荐系统领域，将网络传播的方法和目前备受关注的个性化推荐系统相结合，具体是一种基于二分网络初始资源双向扩散的个性化推荐方法，可用于解决个性化Top-N的推荐。

背景技术

随着信息技术的快速发展，互联网时代的到来，人们的生活也发生了深刻而巨大的变化。网络生活成为必不可少的部分，诸如网上商城，在线影院，网络书店等等，为人们的生活带来了极大的便利，但与此同时，信息过载让人有些应接不暇，疲于在庞杂的信息当中苦苦寻找对自己有用的信息，例如，Amazon的数百万本图书，Netflix的上十万部电影，豆瓣、淘宝的形形色色商品更是不计其数，在这样规模的数量中找自己感兴趣的，无疑是个灾难。在这个大数据到来的时代，有效而又高效的推荐系统研究已经迫在眉睫。此外，除了电子商务领域，推荐系统也被广泛应用在各行各业，像新闻推荐，旅游推荐，社交朋友推荐，甚至论文评审推荐，招标项目推荐等等。

传统的推荐方案只是给所有的用户提供近乎一模一样的推荐列表，且大多是司空见惯的流行度很大的商品，无法根据用户个人身份、年龄和兴趣的差异来进行有目的针对性的推荐，事实证明，在信息爆炸的时代，这样的推荐是十分低效的，不仅不能为商家获得很好的销售业绩提供帮助，反而使得用户极其反感。由此，所谓个性化推荐应运而生，即充分利用商家所掌握的巨大的用户历史数据，在此基础上进行分析过滤，深度挖掘个人的需求和兴趣趋向，想用户所想，为不同的用户制定不同的推荐列表，用户通过自己的行为可以改变推荐结果。

优秀的个性化推荐系统为用户快速找到自己需要的合适信息提供了极大的方便，同时让商家在众多的竞争者中脱颖而出，获得更大的点击量和销售额，据VentureBeat统计，Amazon的个性推荐为其提高35％的销售业绩。个性化推荐系统在很多商业网站上已经获得成功的应用，其中具有代表性的有Amzaon的电子商务推荐，Netflix和Movielens电影推荐，Youtube和Hulu的视频推荐，Lastfm的音乐推荐，google的新闻推荐，Wanderfly的旅游推荐，Facebook和Twitter的社交好友推荐以及国内的豆瓣电台，天猫商城，当当网，优酷视频，人人网等等。Netflix还曾开出100万美元的巨奖来征集能够把他们网站上的推荐结果提高10％的方法。

自20世纪90年代以来，已经陆续有一些优秀的推荐系统方法被提出来，可以分为以下几类：协同过滤系统；基于内容的推荐系统；混合的推荐系统；基于社交网络的推荐系统。其中主要的思想都是根据用户或者物品的相似性来进行的推荐，通过牺牲推荐列表的这样相同的物品有很大概率被推荐给众多不同的用户，以至于推荐列表很大的相似性，所推荐的大部分物品又是流行商品。

商品销售往往是具有“马太效应”的，即多的越多，少的越少，这就导致物品流行度的分布成长尾式，处于流行度大的物品种类逐渐递减，数量上占大多数的不流行物品就被称作长尾商品。理想的个性化推荐系统应该关注的不仅仅是推荐结果的正确性，同样重要的还有其长尾挖掘的能力，即把不太惹人注目的商品恰到好处的推荐给需要的人群。如果一个推荐系统通过推荐大量相似度很大的列表给用户，从而保证其正确率，显然是不符合个性化需求的，用户也会很反感商家为什么给自己推荐这么多相似的东西，而那些不怎么“招人喜欢”的商品则看起来很能保证销量。为了衡量这种冲突，用推荐结果的准确性，多样性和新颖度来综合评价一个算法的好坏才是合理的。

正是由于传统算法糟糕的多样性和新颖度指标，基于网络结构的推荐方法近些年兴起，基于网络的算法不考虑用户和产品的内容特征，仅仅把其用户和物品看作抽象节点，通过节点间信息的相互传递来确定用户节点对所有物品的联系，所有算法所利用的信息都藏在用户和物品的选择关系之中。一种基于二分网络的推荐的混合算法(HPH)在“Solving the apparent diversity-accuracy dilemma of recommender systems”(Proceedings of the National Academy of Sciences of the USA-PNAS 107(10)；4511-4515，2010)中被Zhou等提出，这种方法尝试将两种特色鲜明的二分图推荐算法混合，通过调节两者重要性的因子找到长尾挖掘和推荐准确性的折中方案。实验证明，恰到好处的为用户推荐一些不流行的长尾商品能够得到比一味推荐流行度较大的方案更高的准确率，与此同时，推荐结果的多样性和新颖度指标也会达到不错的效果。针对这种方法，有不少文献在其后给出一些改进的方案来进一步优化推荐的结果。