[发明专利]基于综合相似度迁移的协同过滤方法

说明书

本发明公开了一种基于综合相似度迁移的协同过滤方法，与现有技术相比，本发明在相似度计算上，即利用了用户评分信息同时也利用了用户属性信息，并且考虑了用户间对满意度的打分标准的差异性，采用了用户评分分布一致性来衡量用户评分相似度的方法，提高了相似度计算的准确性，从而提高了数据迁移的质量。实验结果表明，该模型较其他方法能比较有效地缓解数据稀疏性问题。未来可以考虑联合项目相似度或其他知识，如文本信息，对辅助领域的数据进行迁移，通过这种方式可以提高迁移数据的质量，从而提高推荐精确度。

技术领域

本发明涉及网络信息计算领域，尤其涉及一种基于综合相似度迁移的协同过滤方法。

背景技术

当前，网络信息量呈指数级增长，网络用户一方面可获取丰富信息，另一方面却面临信息过载问题，难以从海量信息中挖掘对自己有用的信息。推荐系统可根据用户兴趣，从海量数据筛选出用户感兴趣的部分。目前，推荐系统已得到广泛应用，如Amazon，eBay，MovieLens，GroupLens等电子商务平台。

协同过滤技术是推荐系统中应用最广泛的技术之一，其基本思想是：利用用户的历史评分数据，来预测用户对未评分物品的兴趣度，选择兴趣度最高的几项物品作为推荐结果。对于传统的协同过滤算法，其最关键步骤是计算用户间或物品间的相似度，但随着数据的增长，用户评分数据会极度稀疏，而推荐质量也会随之下降。

目前，针对数据稀疏问题【1】，有以下几种解决方案：一是通过填充未评分物品来降低数据集的稀疏性【2-4】，该算法适用于物品更新不频繁且物品数远小于用户数的场景，依赖于用户行为同时存在冷启动问题；二是通过矩阵分解来降低数据集的稀疏性【5】，该算法利用用户与项目之间的潜在关系，对评分矩阵进行奇异值分解，该方法训练代价大，其不适应用户兴趣的改变；三是利用迁移学习思想，通过领域间的交叉部分来促进目标领域的学习【6-7】，该算法通过发现目标领域与辅助领域的潜在关系，达到辅助目标领域训练的目的，由此，其依赖于潜在关系的可靠程度，如不可靠会导致负迁移。目前，一些学者提出了利用多领域数据来缓解目标领域数据稀疏问题。如Jamali【8-9】等人提出了一种基于上下文的矩阵分解模HeteroMF，

其主要思想是利用多领域间共同实体，并共享实体的特征因子来同时对多个矩阵进行联合分解，其算法需要训练较多参数其需消耗大量时间计算梯度；LiBin【10】等人提出了一种评分矩阵生成模型RMGM(RatingMatrixGenerativeModel)，其主要思想是通过找到共享的隐式集群级别的评级矩阵，然后利用这个矩阵填充目标领域中原始矩阵的空值，该方法使用与强相关领域且并没有理论支持；李超【10】等人提出的一种基于用户相似度迁移模TSUCF(TransferSimilarity

User-basedCollaborativeFiltering)，其主要思想是交叉领域数据建立起辅助领域与目标领域的联系，达到辅助目标领域的目的，该方法仅利用用户评分信息，而且在衡量评分相似度时，仅采用共同物品数目来衡量，没有考虑用户的偏好。

虽然以上算法均采用辅助领域知识来提高推荐精度，但仍有一下不足：一是基于矩阵变换的模型，模型训练参数较多，二是要求辅助领域与目标领域满足强相关，模型适用场景少；三是计算用户评分相似度时，忽略了用户对满意度的打分标准的差异性。

数据稀疏性问题是传统协同过滤算法的主要瓶颈之一。迁移学习通常是利用目标领域与辅助领域的潜在关系，对辅助领域进行知识迁移，以此来提高目标领域的推荐质量。现有的基于相似度迁移模型，普遍只利用了用户评分信息，并且在评分相似度计算上忽略了用户评分标准差异。针对以上问题，本发明提出了一个基于综合相似度迁移的推荐方法。

参考文献：

[1]PanW。Asurveyoftransferlearningforcollaborativerecommendationwithauxiliarydata[J]。Neurocomputing,2016,177(C):447-453。