[发明专利]基于隐式反馈信息的局部低秩矩阵近似的推荐方法及系统

权利要求书

1.基于隐式反馈信息的局部低秩矩阵近似的推荐方法，其特征在于，包括下列步骤：

提取待推荐用户的用户—物品数据，所述用户—物品数据为待推荐用户的对物品的历史操作信息；

基于当前用户—物品数据构建用户—物品关系数据表，其中用户—物品关系数据表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户和物品关系的紧密程度；

基于当前用户—物品关系数据表构建用户—物品关系矩阵，基于预置的特征数，对用户—物品关系矩阵进行奇异值分解，得到全局用户-特征矩阵和全局物品-特征矩阵；

其中，全局用户-特征矩阵的每一列表示不同的用户，每一行表示不同的特征，表项内容为各用户对应不同特征的分解结果，即用户对特征的敏感度；

全局物品-特征矩阵中的每一行表示不同的特征，每一列表示不同的物品，表项内容为不同物品对应不同特征的分解结果，即物品对特征的切合度；

随机选取多个锚点，基于全局用户-特征矩阵和全局物品-特征矩阵得到对应每个锚点的锚点用户、锚点物品；

对每个锚点用户，基于锚点用户与非锚点用户间的相似度，在全局用户-特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部用户-特征矩阵，其中局部用户-特征矩阵的每一列表示不同的用户，表项内容表示用户对此特征的敏感度；

对每个锚点物品，基于锚点物品与非锚点物品间的相似度，在全局物品-特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部物品-特征矩阵，其中局部物品-特征矩阵中的每一行表示在当前维度下的特征数，每一列表示不同的物品，表项内容表示物品对此特征的切合度；

基于关于相似度的核平滑函数设置各局部用户-特征矩阵的用户向量权重，设置各局部物品-特征矩阵的物品向量权重，每个用户对应一个用户向量权重，每个物品对应一个物品向量权重；

通过上述处理后可得到多维用户特征数据表和多维物品特征数据表，维数对应预设的锚点数；

构建用户—物品预测表，其中表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户对物品的预测值：若用户购买当前物品，则用户对物品的预测值为用户和物品关系的紧密程度的真实数据；若用户未购买当前物品，则用户对物品的预测值为用户和物品的切合度，其中切合度为：根据同一锚点下的用户向量权重和物品向量权重的乘积得到用户-物品偏好权重矩阵，根据同一锚点下的局部用户-特征矩阵与局部物品-特征矩阵的乘积，得到局部用户-物品特征矩阵；基于用户-物品偏好权重，对所有锚点下的局部用户-物品特征矩阵进行加权累加，得到用户和物品的切合度；

根据用户—物品预测表和用户对物品的购买记录，筛选出前K_rec个最大预测值的未购买物品构成用户推荐表并向用户推荐，其中K_rec为预设的物品推荐数量。

2.如权利要求1所述的方法，其特征在于，将计算用户和物品的切合度的计算方式替换为替换方式A或B；

其中，替换方式A为：

用表示用户u对物品i的切合度，则其中(K_f)_ui表示锚点f下的用户u对物品i的偏好权重，表示锚点f下的用户u对物品i的局部用户-特征，表示锚点f下的的用户u对物品i的局部物品-特征，μ表示用户—物品关系数据表的所有表项的均值，b_u表示用户—物品关系数据表中的对应用户u的表项的均值，c_i表示用户—物品关系数据表中的对应物品i的表项的均值，F表示锚点数；

替换方式B为：

根据公式计算用户u对物品i的切合度，其中(K_f)_ui，(K_s)_ui表示锚点f、s下的用户u对物品i的偏好权重，F表示锚点数，表示局部用户-特征矩阵，表示局部物品-特征矩阵，符号[·]_ui表示矩阵元素，下标为矩阵的行、列标识。

3.如权利要求1或2所述的方法，其特征在于，所述用户推荐表中，按用户对物品的预测值降序排序。