[发明专利]一种基于网络推理的个性化推荐方法

说明书

本发明公开一种新颖的基于网络推理的个性化推荐方法，其使用物品相似性引入负面评价，解决了大部分基于网络的推荐算法负面评价丢失的问题以及无法正确区分用户对收集的物品喜欢程度的问题。

技术领域

本发明涉及信息过滤以及数据挖掘领域，尤其涉及一种基于网络推理的个性化推荐方法。

背景技术

近年来，随着互联网的爆炸性发展，全球信息量的增长速度远远快于我们处理信息的能力，互联网上每一位用户信息浏览量不足1％，并且这种“信息过载”问题变得越来越严重。推荐系统是解决“信息过载”问题最有前途的信息个性化技术发展方向。虽然推荐系统已经被成功地运用于很多大型系统及网站，但是仍然存在许多难以解决的问题，并拥有极大改进的空间以提升推荐准确性。

迄今为止，许多不同的方法被提出以达到个性化推荐的目的，这包括基于内容的过滤(CBF)、协同过滤技术(CF)、主成分分析(PCA)、隐语义模型(LSM)、基于二分网络的过滤算法(NBI)等。其中基于质量扩散理论的NBI算法(如图1所示)与广泛使用的协同过滤技术相比展现出了更高的准确率和更低的计算复杂度。在NBI算法中，用户和物品将被当作不同类型的节点从而生成一个二分网络结构，通过节点间随机游走的过程寻找物品之间的因果关系，进而为用户进行推荐。

在最近一些年，许多方法被提出以改进基于网络推荐算法的性能，其中大部分以优化网络中的资源流动为目的，比如Heats，CBI,IBA,UFCI等等。这些算法都忽略了资源初始化对推荐准确性的影响。在大部分NBI算法中，都采用一种粗粒度方法，即用户评分大于3则认为用户喜欢该物品，而没有区分用户对所有收集的物品喜欢程度的不同。

发明内容

本发明使用物品相似性解决大部分基于网络推理的算法中负面评价丢失的问题，从负面评价中提取用户对收集物品的喜爱程度，提出了一种在网络推理过程中使用物品相似性的个性化推荐算法。

本发明采用以下技术方案：一种基于网络推理的个性化推荐方法，其特征在于，包括以下几个步骤：

(1)构建物品集O＝{o₁,o₂,...,o_n}，用户集U＝{u₁,u₂,...,u_m}，若用户u_i采纳过物品o_j，则邻接度a_ij＝1，否则，a_ij＝0，可得到一个m×n的邻接矩阵A＝{a_ij}；

(2)对于n个商品，构建n×n的相似度矩阵，矩阵元素为两个商品之间的相似度；

(3)对于用户u_i，从A中提取其列向量(a_i1,a_i2,...,a_in)^T；根据邻接度提取出用户u_i采纳过的物品o_j，计算商品o_j负面评价函数其中，K_i为用户u_i不采纳的物品数量，Sim_jq为u_i采纳过的商品o_j与未采纳的商品o_q之间的相似度。根据负面评价函数获得商品o_j的衰减函数用户u_i对应商品o_j的邻接度更新为对于用户未采纳过的物品，则邻接度不进行更新。最终得到用户u_i更新后的邻接度列向量(a_i′₁,a_i′₂,...,a_i′_n)^T；