[发明专利]一种基于隐语义模型的个性化推荐方法

说明书

技术领域

本发明涉及个性化推荐技术，具体涉及一种基于隐语义模型的个性化推荐方法。

背景技术

随着网络的发展，海量数据的出现导致了信息过载的情况，个性化推荐系统应运而生。现在推荐系统已经广泛应用在包括电子商务、社交网络、基于位置的服务、广告等多个领域中，并且变得越来越重要和流行。

个性化推荐系统是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。它是建立在海量数据挖掘基础上的一种高级商务智能平台，为用户提供完全个性化的决策支持和信息服务。

现有的推荐算法主要包括基于内容的推荐算法、协同过滤推荐算法，还有基于图论的推荐算法，包括矩阵分解、社会过滤和基于网络的算法。但是，往往大多数的推荐系统都面临着数据稀疏性、冷启动等问题。社交网络中包含了大量信息，充分挖掘并利用好这类信息，并结合用户属性，在一定程度上缓解传统推荐系统面临的问题。

隐语义模型推荐算法是一种准确性较高的算法，算法给出了隐因子的概念，隐因子是用户和物品联系的桥梁。隐语义模型推荐算法是一种学习方法，它通过迭代调整模型中的参数，最终建立最优模型。同时，其在离线计算空间复杂度上的表现也更为优秀。

公布号CN106384259A中，提出一种融合社交信息的推荐系统解决方法，其融合社交信息，在隐语义模型的基础上提出该推荐系统解决方法。本发明提出一种基于隐语义模型的个性化推荐方法，在隐语义模型基础上，融合用户社交网络特征和用户属性信息，从而进一步地解决推荐系统冷启动、数据稀疏等问题，同时，有效提高对新用户的推荐准确度。

发明内容

本发明的目的在于，提出一种基于隐语义模型的个性化推荐方法，以解决冷启动问题，同时提高推荐准确。该方法将社交网络数据和用户属性融入隐语义模型中，从而能够更为快速而准确地为每个用户提供个性化推荐。具体技术方案实现：一种基于隐语义模型的个性化推荐方法，步骤如下：

(1)选取一段时间内的用户对商品评分，以评分，用户社交网络特征和用户属性作为数据集；

(2)构建用户-商品评分矩阵，从中随机选取80％的数据作为训练数据，20％作为测试数据，同时处理用户社交网络特征，用户属性信息；

(3)用户属性值用0或1来表示，使用支持向量机方法为每个属性训练一个分类模型，以用户对隐因子的关联程度作为模型的输入，输出用户属性值；

(4)根据(2)中用户属性值，用户u的特征属性可用向量Attr_u＝(a_u1,a_u2,…,a_uN)表示，其中，N为用户属性的个数，则下述公式计算用户u和用户v的相似度：

其中，w_s是属性s的重要程度，上述公式可得到r_Attr(u,i)，即根据用户属性信息预测用户u对物品i的评分；

(5)以社交网络为基础，对用户进行聚类处理，而用户u与用户v之间的信任强度与两个用户间的最短路径直接相关，计算得到两个用户之间的信任程度，从而得到r_Trust(u,i)；

(6)采用隐语义模型，所有用户对隐因子的关联向量组成矩阵P，所有物品对隐因子的关联向量组成矩阵Q，则矩阵相乘得到原始的评分矩阵，用户u对每个隐因子的关联程度与每个隐因子对物品i的关联程度的乘积求和，得到用户u对物品i的原始预测评分值：

(7)当新用户从加入系统到用户对物品有一定数评分的过程中，推荐系统依据社交网络特性和用户属性信息推荐，过渡到利用用户的评分数据，则将三种评分数据加权，得到最后的预测评分：

(8)采用测试集数据，测试算法的准确性，选用平均绝对误差(MAE)作为衡量标准，MAE越小推荐结果越好，根据预测分数从大到小对商品进行排序，若该用户满意的商品集中在排序列表中靠前部分，则证明算法有效，反之无效。

本发明针对于推荐系统冷启动、数据稀疏和准确度不高的问题，在采用隐语义模型的基础上，融合用户社交网络特征和用户属性信息有效提高对新加入用户的推荐精确度。

附图说明

图1是本发明中基于隐语义模型的个性化推荐系统框图

图2是本发明中融合社交网络特征和用户属性信息的隐语义模型图

具体实施方式

本发明用于提供一种基于隐语义模型的个性化推荐方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。