[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

说明书

本发明公开了一种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，属于推荐技术领域。本发明从用户信息中被忽略的隐式反馈信息入手，通过局部低秩矩阵近似原理，使用隐式反馈信息优化特征提取模型，提取用户与物品的单维多维偏好向量；并且基于用户和物品的偏好信息，给与一个更加准确的用户评分推荐方式。本发明的推荐系统，包括数据引擎模块、多维特征提取模块、评分预测模块、协同推荐模块和信息更新模块；通过各个模块的协同工作，提取出用户在不同环境下的多维隐性因子，提高整个系统推荐结果的准确性和个性化，具有很高的通用性，适用于现有的大多数推荐场景。

技术领域

本发明属于推荐技术领域，更为具体的讲，涉及一种基于隐式反馈信息的局部低秩矩阵近似的推荐技术。

背景技术

互联网技术的发展，带来了诸多便利，却也给我们出了许多难题。其中最著名的就是“信息过载”问题。由于互联网的便利性，我们所有的信息都在互联网上进行交互，所有的数据都存储在云端数据库，导致网络数据几何倍数增加，这导致了人们很难在互联网上找到自己需要的信息。

搜索引擎是一项重要的发明，它能让人们从海量的数据中根据关键字检索匹配信息，一定程度上缓和了数据量过大对用户造成的压力。然而它忽略了不同用户对信息的需求并不完全相同，迫使用户还需要从搜索结果中找寻感兴趣的内容。推荐系统在这种场合应运而生，它能根据用户的选择，自主选择提供用户可能感兴趣的内容，更为智能，也是未来的发展方向。这其中最为重要的内容，就是推荐算法的应用。基于推荐算法的推荐系统不仅能根据用户特点预测用户喜好，还能根据用户需求的变化，智能的筛选进行推荐的物品，信息，删去用户不需要，不关心的内容，不但能完美迎合用户需求，带来舒适的用户体验，也节省了用户大量的时间，极大的增加了用户的黏着性。所以人们越来越需求功能完善，更人性化的推荐系统，这也促进了推荐算法的进一步发展。以此为契机，各种不同原理的推荐算法层出不穷，带来了更好的推荐结果，更先进的技术理论，更好的应用前景。到目前为止，已经有许许多多基于不同推荐算法的推荐系统，真正的便利着用户的生活，比如京东的物品推荐，Amazon的图书推荐等等。这些功能完善的推荐系统基于的正是各种主流的推荐算法。

虽然，当前已有的主流的推荐算法已经相当成熟，但是都忽略了用户的变化性。用户并不是一个偏好不会变化的数据点，而是一个有着自主意识，难以捉摸的对象。每个用户的兴趣爱好，关注点都是会随着时间的推移，环境的改变等等因素进行变化的。这些变化是隐藏在用户的正常数据中，难以发现的。如果仅仅基于用户的历史数据进行分析而忽略了这些隐性因子，很可能导致推荐结果变化速度慢于用户的爱好变化速度，导致推荐结果滞后；更有甚者，可能会将这些用户的新的偏好，作为环境噪音，处理掉、忽略掉了。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种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，通过分析用户在不同环境下表现不同所导致的的隐藏特征，提高整个推荐系统结果的准确性和个性化，能适应现有的大多推荐场景，有很强的适应性和进步空间。

本发明的基于隐式反馈信息的局部低秩矩阵近似的推荐方法，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，例如表内每项数据值的大小，代表了对应用户对物品评分值；

基于当前用户—物品关系数据表构建用户—物品关系矩阵，对用户—物品关系矩阵进行奇异值分解(SVD)，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，表中存放的分解结果(表项内容)即为用户对此特征的敏感度；全局物品-特征矩阵中的每一行表示在当前维度下的特征数，其中特征数为经验预设值，每一列表示不同的物品，表中存放的分解结果即为物品对此特征的切合度；