[发明专利]一种基于拓展标签的矩阵分解推荐方法及系统

说明书

本发明公开了一种基于拓展标签的矩阵分解推荐方法，包括：基于物品标签数据构建物品‑标签矩阵并计算标签相似度；基于物品‑标签矩阵构建第一物品对‑标签向量；根据标签相似度将第一物品对‑标签向量拓展为第二物品对‑标签向量；基于第二物品对‑标签向量建立物品相似度矩阵；基于物品相似度矩阵和预先构建的物品评分矩阵，求解用户隐含特征矩阵和物品隐含特征矩阵；预测用户对未评分物品的评分分值；构建针对用户的物品推荐列表。同时，本发明还公开了一种基于拓展标签的矩阵分解推荐系统。本发明能够在标签稀疏的情况下为用户提供更准确的个性化推荐，在一定程度上缓解了物品的冷启动问题。

技术领域

本发明涉及个性化推荐技术领域，具体涉及一种基于拓展标签的矩阵分解推荐方法及系统。

背景技术

近些年来，越来越多的推荐系统增加了协同标注功能。协同标注系统(Collaborative Tagging System)的出现促进用户与系统的交互程度。标注系统允许用户根据自身理解挑选概括资源特征的标签对资源标注。在标签系统中，用户能够使用标签来标注资源的特征和类别，因此标签能在一定程度上反映资源的特点，通过分析资源的标签信息可以为资源做更精确的分类。同时，由于用户标注标签的差异性能体现出用户间不同的个性化信息，用户的标签信息也用于用户的个性化兴趣偏好的分析和挖掘。因此，标签作为一种重要的数据为推荐系统带来了新的挑战和机遇。

现有的基于标签的推荐算法在提高推荐的准确性方面获得了明显的效果，能够为用户提供更加个性化和精准的推荐。现有的研究方法虽然为推荐系统提供了丰富的理论基础和实践指导，但是仍然存在不足之处。大多数方法根据标签匹配来计算用户和用户、物品和物品的相似度，极少数方法考虑到标签稀疏问题。标签的稀疏性是基于标签的协同过滤算法面临的难题之一。导致标签稀疏的原因通常有两个，一是用户很少为物品标注标签或者仅为物品标注少量标签，二是用户的标注方式不同使标签信息里存在部分不同但是含义相近的标签。鉴于标签对推荐技术的重要意义和实用价值，解决标签稀疏性问题是提升推荐技术的一项关键任务。

基于矩阵分解的推荐算法因其解决大规模用户-物品评分矩阵的高效性，受到广泛的应用和研究。矩阵分解技术是基于用户对物品的历史评分记录的训练结果。但是实际中许多用户对物品评分的记录稀少甚至部分用户对物品没有评分记录，对于缺乏评分记录的场景来说，矩阵分解方法缺乏有效性。因此，为有效提高预测的准确率和缓解物品的冷启动问题，有必要提供一种技术方案以缓解用户评分数据稀疏和标签稀疏所带来的问题。

发明内容

本发明的目的在于解决矩阵分解方法中物品标签的稀疏性问题和冷启动问题。为此，本发明提供了一种基于拓展标签的矩阵分解推荐方法，该方法通过在矩阵分解的过程中考虑物品的拓展标签信息来提高推荐算法的预测精度。具体技术方案如下：

一种基于拓展标签的矩阵分解推荐方法，包括如下步骤：

基于物品标签数据构建物品-标签矩阵并计算标签相似度；

基于所述物品-标签矩阵构建第一物品对-标签向量；

根据所述标签相似度将所述第一物品对-标签向量拓展为第二物品对-标签向量；

基于所述第二物品对-标签向量计算物品相似度，并建立物品相似度矩阵；

基于所述物品相似度矩阵和预先构建的物品评分矩阵，求解用户隐含特征矩阵和物品隐含特征矩阵；

根据所述用户隐含特征矩阵和所述物品隐含特征矩阵，预测用户对未评分物品的评分分值；

根据所述评分分值，构建针对所述用户的物品推荐列表。

进一步地，所述基于物品标签数据构建物品-标签矩阵并计算标签相似度之前，还包括从源数据中提取物品标签信息三元组；

所述求解用户隐含特征矩阵和物品隐含特征矩阵之前，还包括从源数据中提取物品评分信息三元组。