[发明专利]基于超图结构的社交网络推荐模型构建方法

说明书

本发明适用于个性化推荐领域，提供了一种基于超图结构的社交网络推荐模型构建方法，该方法包括如下步骤：基于社交网络中的用户‑项目评分矩阵构建以项目为中心的超图及以用户为中心的超图；计算用户评价相似度，项目特征相似度及用户特征相似度；在矩阵因子分解模型的基础上，融入用户评价相似度、用户特征相似度和项目特征相似度，获取目标函数；对目标函数采用随机梯度下降算法，迭代求出用户潜在因子矩阵及项目潜在因子矩阵；基于用户潜在因子矩阵及项目潜在因子矩阵预测用户对项目的评分，向用户推荐预测评分最高的项目。本发明实施例在矩阵因子分解模型的基础上，融入用户特征、项目特征、用户评分，推荐模型描述更为全面，提高推荐准确率。

技术领域

本发明属于个性化推荐技术领域，尤其涉及一种基于超图结构的社交网络推荐模型构建方法。

背景技术

随着网络信息以指数级增长，如何提高信息利用效率，缓解信息过载问题一直是一个重要的研究领域。其中推荐系统是解决上述问题的重要途径，目前推荐系统在电子商务、信息检索、智慧旅游、网络广告、移动应用、舆情预测等领域有着重要作用，自2006年Netflix宣布推荐系统竞赛以来，激起了很多科研工作者的兴趣，其中推荐准确性成了各个推荐系统最重要的衡量指标。

传统的KNN协同过滤推荐，由于只利用邻居用户评分信息对推荐项目进行预测，因而造成推荐准确度较低的问题。

发明内容

本发明实施例提供一种基于超图结构的社交网络推荐模型构建方法，旨在解决传统的KNN协同过滤推荐，由于只利用邻居用户评分信息对推荐项目进行预测，因而造成推荐准确度较低的问题。

本发明实施例提供了一种基于超图结构的社交网络推荐模型构建方法，该方法包括如下步骤：

S1、基于社交网络中的用户-项目评分矩阵构建以项目为中心的超图及以用户为中心的超图；

S2、基于所述项目为中心的超图及所述以用户为中心的超图确定用户的邻居用户和项目的邻接项目，计算用户评价相似度，项目特征相似度及用户特征相似度；

S3、在矩阵因子分解模型的基础上，融入用户评价相似度、用户特征相似度和项目特征相似度，获取目标函数；

S4、对目标函数采用随机梯度下降算法，可迭代求出用户潜在因子矩阵P_i及项目潜在因子矩阵Q_j；

S5、基于用户潜在因子矩阵P_i及项目潜在因子矩阵Q_j预测用户对项目的评分，向用户推荐预测评分最高的项目。

本发明实施例在矩阵因子分解模型的基础上，融入社交网络中存在多种社交信息，包括用户特征、项目特征、用户评分，因而使得推荐模型描述得更为全面，从而提高推荐系统的准确率。

附图说明

图1为本发明实施例提供的基于超图结构的社交网络推荐模型构建方法的流程图；

图2为本发明实施例提供的用户对电影的评价表；

图3为本发明实施例提供的基于用户对电影的评价表构建的以用户为中心的超图；

图4为本发明实施例提供的基于用户对电影的评价表构建的以项目为中心的超图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1为本发明实施例提供的基于超图结构的社交网络推荐模型构建方法的流程图，该方法包括如下步骤：

S1、基于社交网络中的用户-项目评分矩阵构建以项目为中心的超图及以用户为中心的超图；