[发明专利]一种基于局部加权线性回归模型的交叉推荐方法及系统

说明书

本发明提供了一种基于局部加权线性回归模型的交叉推荐方法及系统，该交叉推荐方法包括：获取用户在目标对象中对至少一目标项目的评分记录及在与目标对象相关的辅助对象中对至少一辅助项目的辅助评分记录；根据评分记录及辅助评分记录建立待评目标项目的待评项目向量；将待评项目向量扩展为增广向量，并根据增广向量建立局部加权线性回归模型；利用随机梯度下降算法，对局部加权线性回归模型进行求解，得到优化解；根据优化解计算得出对目标对象中的待评目标项目的预测评分；将预测评分满足预设评分标准的待评目标项目推荐给用户。通过实施本发明，实现了用户的行为数据与评分数据的充分拟合，从而提高了交叉推荐系统的准确率及召回率。

技术领域

本发明涉及信息处理技术领域，具体涉及一种基于局部加权线性回归模型的交叉推荐方法及系统。

背景技术

随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载(information overload)的时代。在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：对于信息消费者，从大量信息中找到自己感兴趣的信息是一件非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。推荐系统是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。推荐算法近些年获得了日益广泛的研究，其应用也深入到人们生活的方方面面。然而目前推荐算法面临的一个重要困难是数据稀疏性问题，即用户评分的数据在总的评分矩阵中所占的比重非常小。

为此，近些年兴起了交叉域推荐算法的研究。交叉推荐算法利用包含用户额外偏好数据的辅助对象信息来提高目标对象上的推荐效果，能有效地缓解目标对象上的数据稀疏性问题。目前准确率及召回率较好的交叉推荐算法是基于二次回归模型的交叉推荐算法。该方法是通过建立二次回归模型来拟合用户行为数据和用户评分数据，交叉推荐系统利用二次回归模型对用户的兴趣进行预测，将预测结果信息推荐给用户。但是由于用户行为数据与用户评分数据之间的关系往往异常复杂，二次回归模型很难对其进行充分地拟合(即数据处于欠学习状态)，最终影响了交叉推荐系统的准确率及召回率。建立更高次的(如三次、四次)回归模型虽可能对数据拟合的比较充分，但却容易引起过拟合，降低交叉推荐系统的准确率及召回率。

发明内容

本发明要解决的技术问题在于克服现有技术中基于二次回归模型的交叉推荐算法，由于用户行为数据与用户评分数据之间的关系往往异常复杂，二次回归模型很难对其进行充分地拟合(即数据处于欠学习状态)，从而影响交叉推荐系统的准确率及召回率；而建立更高次的(如三次、四次)回归模型虽可能对数据拟合的比较充分，却容易造成过拟合，也会影响交叉推荐系准确率及召回率的问题。

根据第一方面，本发明实施例提供了一种基于局部加权线性回归模型的交叉推荐方法，包括：获取用户在目标对象中对至少一目标项目的评分记录及在与所述目标对象相关的辅助对象中对至少一辅助项目的辅助评分记录；根据所述评分记录及辅助评分记录建立待评目标项目的待评项目向量；将所述待评项目向量扩展为增广向量，并根据所述增广向量建立局部加权线性回归模型；利用随机梯度下降算法，对所述局部加权线性回归模型进行求解，得到优化解；根据所述优化解计算得出对所述目标对象中的待评目标项目的预测评分；将所述预测评分满足预设评分标准的待评目标项目推荐给所述用户。

结合第一方面，在第一方面第一实施方式中，所述将所述待评项目向量扩展为增广向量，包括：在所述待评项目向量中加入截距项，将所述待评项目向量扩展为增广向量，所述截距项的值为1。

结合第一方面，在第一方面第二实施方式中，按照以下公式建立局部加权线性回归模型：