[发明专利]一种基于属性耦合矩阵分解的项目推荐方法

权利要求书

1.一种基于属性耦合矩阵分解的项目推荐方法，其特征在于，包括如下步骤：

步骤1：根据项目类别划分用户-项目评分矩阵，并利用用户评分和社交关系共现的原则推导特定类别用户社交网络；

步骤2：在推导的特定类别用户社交网络上，利用PageRank算法计算用户的社会地位值；

步骤3：以用户社会地位值衡量用户的评分权重，结合特定类别用户评分数据和社交关系数据执行矩阵分解，学习特定领域的用户和项目隐式特征向量；

步骤4：使用特定领域的用户和项目的隐式特征向量内积预测用户对项目的评分，根据预测评分为用户提供个性化的项目推荐。

2.根据权利要求1所述的基于属性耦合矩阵分解的项目推荐方法，其特征在于：所述步骤1包含以下步骤：

步骤1.1：按照项目的类别对原始用户-项目评分矩阵R进行划分，Epinions数据集中，用户对项目的评分表示为3元组的形式：(uid,pid,categoryid)，其中categoryid表示被评分项目的类型，原始用户-项目评分矩阵R可以根据categoryid分为l为用户评分数据集中项目类别的数量；

步骤1.2：根据用户评分和社交关系共现的原则推导特定类别的用户社交网络，用户u和用户v在类别c中社交信任值为：

其中，和分别表示用户u和用户v在R^c的评分数量，类别c中所有用户的社交关系构成类别c下的社交关系矩阵T^c。

3.根据权利要求1所述的基于属性耦合矩阵分解的项目推荐方法，其特征在于：所述步骤2包含以下步骤：

步骤2.1：首先采用PageRank算法计算用户在每个类别下的PageRank值，设表示所有用户在社交关系矩阵T^c中的PageRank值，N^c表示T^c中用户的数量，用户u在类别c内的PageRank值PR^c(u)可以表示为：

其中，F^c(u)为用户u在类别c中信任朋友的集合，E^c为逃逸向量，α是规范化常数；

步骤2.2：对N^c个用户的PageRank值进行排序，设用户u的排名为则用户的社会地位值计算公式为：

4.根据权利要求1所述的基于属性耦合矩阵分解的项目推荐方法，其特征在于：所述步骤3中，以用户社会地位值衡量用户的评分权重，结合特定类别用户评分数据和社交关系数据执行用户社会地位增强的矩阵分解，基于属性耦合矩阵分解的项目推荐方法的目标函数如下：

其中，Ω^c为R^c中可观测到的(用户，项目)对，表示用户u对类别c中项目i的评分，和分别表示用户u和项目i在类别c中的隐式特征向量，K为隐式特征向量的维度，表示用户隐式特征矩阵，表示项目隐式特征矩阵，M^c为类别c中项目的数量，λ₁、λ₂和λ₃为正则化控制参数，表示Frobenius范式，g(x)＝1/(1+e^-x)为logistic函数，采用随机梯度下降的方法求解目标函数L^*的局部最小解，目标函数L^*关于和的偏导数为：

其中，g'(x)＝e^-x/(1+e^-x)²为logistic函数g(x)的导数，为T^c中信任u的用户集合。

5.根据权利要求1所述的基于属性耦合矩阵分解的项目推荐方法，其特征在于：所述步骤4中，用户u对未评分过项目i的预测评分的计算方法如下：

对于用户u，计算完所有未评分项目的预测评分后，根据预测评分值，推荐预测评分值高的k项给用户u。