[发明专利]基于矩阵分解协同过滤算法的图书推荐方法及系统

说明书

本发明公开了一种基于矩阵分解协同过滤算法的图书推荐方法及系统，本发明实现了基于矩阵分解协同过滤算法的图书推荐方法，本发明将推荐技术应用到了图书推荐系统中，目的是为了给读书爱好者个性化地推荐其有可能感兴趣的图书，减少读书爱好者在海量图书信息中找到感兴趣图书的时间。本发明应用的推荐算法是基于协同过滤算法的图书推荐方法，具体使用到了基于矩阵分解的协同过滤算法，基于矩阵分解的协同过滤方法以用户评分为特征向量，通过训练回归模型来预测图书的评分，该算法可以有效解决基于内存的方法中的数据稀疏和可扩展性弱等问题，同时提高推荐算法的精度。

技术领域

本发明属于图书推荐技术领域，涉及一种基于矩阵分解协同过滤算法的图书推荐方法和系统。

背景技术

推荐系统是一种帮助信息和用户进行匹配的手段。与搜索引擎不一样的是，推荐系统无需用户输入额外的关键词，它能根据用户以往历史行为记录，主动挖掘用户的兴趣爱好，帮助用户发现潜在的兴趣点，并将相关商品或信息推荐给用户。由于是根据每个用户的特点进行推荐的，所以它能够满足个性化的要求，为不同的用户推荐满足他们个性化需求的产品，让信息更加准确地展现在用户面前，同时，它也不那么依赖于用户主动输入的信息去过滤信息。

在图书推荐领域中，较为常用的是基于内存的协同过滤算法，该算法主要是通过相似度的计算在为用户推荐最为合适的图书，然而在许多情况下，现有的相似度衡量标准(皮尔森相关系数和余弦相似度)等并不能真实的反应用户之间的相似度，这就使得算法的推荐精度有所下降，而基于矩阵分解协同过滤算法中的回归模型刚好可以解决这一问题。基于矩阵分解的协同过滤方法以用户评分为特征向量，通过训练回归模型来预测图书的评分，基于矩阵分解的协同过滤方法可以有效解决基于内存的方法中的数据稀疏和可扩展性弱等问题，同时提高推荐算法的精度。

发明内容

本发明目的是提供一种基于矩阵分解协同过滤算法的图书推荐方法和系统，该算法以用户评分为特征向量，通过训练回归模型来预测物品的评分。

向不同的用户个性化地推荐其可能感兴趣的图书，克服了基于内存的方法中的数据稀疏和可扩展性弱等问题，同时提高推荐算法的精度。

为实现上述目的，本发明采用以下技术方案：

一种基于矩阵分解协同过滤算法的图书推荐方法，包括以下步骤：

(1)处理用户-图书评分矩阵，先将用户历史图书评分行为数据的训练集预处理为m*n的用户图书评分矩阵R；m表示为m个用户，n表示为n种图书；

(2)将矩阵R进行均值归一化处理，将矩阵R中每个值都除以矩阵R中所有值的和；

(3)对归一化处理后的用户-物品评分矩阵R的分解，将维数较高的用户-物品评分矩阵R分解成两个维数较低的矩阵的乘积，这两个低维的矩阵分别表示用户的特征矩阵θ以及物品的特征矩阵X；

(4)构造改进的代价函数，利用原始的评分矩阵R_m*n与重新构建的评分矩阵之间的误差的平方，加入正则项构建改进的代价函数；

(5)初始化特征矩阵，将矩阵θ和矩阵X初始化为两个具有小的随机数值的矩阵；

(6)建立目标的函数，此处以代价函数最小化为目标函数；

(7)通过改进的梯度下降法求解目标函数，改进的梯度下降法求解主要共分为两步进行，第一步求解代价函数的偏导数，第二步更新θ、x两个变量，相应梯度下降公式加入正则项进行计算；

(8)计算用户对物品的预测评分，确定目标函数最优解之后，则可以得到对应的最优矩阵θ_k*m和矩阵X_k*n，计算用户i对物品j的预测评分；

(9)完成推荐，将前述步骤训练所得的参数用来计算用户对未评分的每个物品的预测评分，并取评分较高的前k个物品推荐给用户。