[发明专利]基于项目使用次数的矩阵分解推荐方法

说明书

技术领域

本发明涉及电子商务领域，具体地说是一种基于项目使用次数的矩阵分解推荐方法。

背景技术

随着科技的发展，各种可供人们选择的服务、信息和商品也越来越多，从而导致信息的过载日益严重。如何通过技术手段从海量的服务、信息和商品中选择适合用户的，变得越发重要。个性化推荐技术试图通过各种算法，基于被推荐对象的信息、行为、待推荐项目的信息等，为用户提供个性化服务。

基于记忆的方法和基于模型的方法是个性化推荐中最主要的两种思路。前者以协同过滤为代表，基于具有相似特征的待推荐对象或者相似的项目来提供个性化推荐服务，其最重要的内容是计算对象之间或者项目之间的相似性。后者则主要通过为对象建模，构建其兴趣偏好，并建立项目的特征模型，通过匹配对象的兴趣和项目的特征达到推荐的目的。尤其是近年来矩阵分解方法的兴起，其优异的推荐效果引起来广大的注意，各种基于矩阵分解改进的个性化推荐方法越来越多。

基于记忆的个性化推荐方法主要包括基于用户的协同过滤方法和基于项目的协同过滤方法。为了预测用户对项目的评分结果，基于用户的协同过滤方法主要是利用其他相似的用户对该项目的评分结果来预测该用户对项目的评分结果。基于项目的协同过滤则主要寻找该用户评价过的其他与该项目相似的项目评分结果，用其他相似项目评分结果预测当前项目评分结果。尽管基于协同过滤的算法被广泛地运用于各种个性化推荐的系统，但基于模型的方法有更好的推荐精度。基于模型的方法主要是用训练数据训练一个模型，构建用户偏好。其中矩阵分解是近年来兴起的一种重要的基于模型的方法。矩阵分解方法以用户对项目的历史评分数据作为训练目标，通过寻找用户偏好向量和项目特征向量来预测用户对项目的评分。当前除了基础的矩阵分解外，还有很多引入各种信息的矩阵分解方法，如SVD++的方法将用户的邻居评分结果引入矩阵分解中，STE方法则将好友关系引入矩阵分解中。尽管这些矩阵分解的方法比基础方法提高了一定的预测准确率，但却有如下问题：

1)当前矩阵分解方法都基于用户对项目的历史评分数据的训练结果。但实际中有很多数据根本没有用户的评分数据。对于缺乏评分数据的场景来说，上述方法缺乏有效性。

2)用户对项目的使用次数是非常重要的历史数据。它代表了用户本身的特征以及用户对项目的需求及兴趣。而目前的推荐方法并没有有效的引入这些信息。

3)项目的频繁项集是总体用户对所有项目使用的结果。它从一定程度上反应了所有用户对项目的偏好。这些信息对预测项目评分少的用户非常重要。

发明内容

本发明为了克服现有技术在对缺失评分数据方面存在的不足，提供一种改进的基于矩阵分解的推荐方法，以期能将用户对项目的历史使用次数及项目的频繁项集融入推荐算法中，从而加快推荐速度，提高推荐精度。

本发明为解决技术问题采用如下技术方案：

本发明一种改进的基于矩阵分解的推荐方法的特点是利用用户对项目的使用次数，项目的频繁项集信息，以及各用户之间的好友关系，为各用户推荐相应项目；所述推荐方法按如下步骤进行：

步骤1、用三元组T＝<U,I,R>表示用户对项目的使用次数；U表示用户集，并有U＝{U₁,U₂,...,U_i,...,U_|U|}；U_i表示第i个用户；I表示项目集，并有I＝{I₁,I₂,...,I_j,...,I_|I|}；I_j表示第j个项目；R表示使用次数矩阵，并有R＝{R_i,j}_|U|×|I|；R_i,j表示第i个用户U_i对第j个项目I_j的使用次数；1≤i≤|U|；1≤j≤|I|；

步骤2、利用式(1)将所述第i个用户U_i对第j个项目I_j的使用次数R_i,j进行归一化处理，获得归一化后的使用次数从而获得所有用户对所有项目的归一化后的使用次数：

式(1)中，(R_i)_min表示第i个用户U_i对所有项目使用次数的最小值；(R_i)_max表示第i个用户U_i对所有项目使用次数的最大值；