[发明专利]一种基于矩阵分解的产品推荐方法

说明书

本发明公开了一种基于矩阵分解的产品推荐方法，包括：(1)对历史评分数据进行预处理，得到用户对产品的评分矩阵；(2)对评分矩阵中同一用户对不同产品的喜好程度进行排序，并根据排序结果确定损失函数；(3)对评分矩阵进行分解，并根据损失函数对分解结果进行调整，从而得到使得损失函数取值最小的第一特征向量和第二特征向量，由此完成矩阵分解并得到向用户推荐产品的推荐列表。本发明所提供的基于矩阵分解的产品推荐方法，在确定损失函数时，将同一用户对不同产品的喜好程度的排序关系考虑在内，能够在损失函数中更为充分地体现用户与被推荐产品之间的复杂关系，从而有效提高产品推荐的准确度。

技术领域

本发明属于数据挖掘和个性化推荐领域，更具体地，涉及一种基于矩阵分解的产品推荐方法。

背景技术

根据用户对产品的喜好程度向用户推荐产品时，常用的方法包括协同过滤法和矩阵分解法。协同分解法又分为基于用户的协同过滤法和基于产品的协同过滤方法，前者利用不同用户之间的相似度来向用户推荐产品，后者则利用产品之间的相似度来向用户推荐产品，相似度之间的计算方式有多种，例如余弦相似度，Jaccard相似度等。在实际的使用中，基于用户的协同过滤协同方法主要使用在用户数远多于产品数的场景下，基于产品的协同过滤方法主要使用在产品数远多于用户数的场景下。协同过滤法适用于大数据应用场景，其计算量较大，不能做到实时地向用户推荐产品，基于模型的协同过滤算法有效的解决了这一问题，矩阵分解(Matrix Factorization,MF)法是基于模型的协同过滤算法中的一种。

基于矩阵分解的传统推荐模型是将用于表示用户与产品关系的评分矩阵分解成用户矩阵和产品矩阵，用户矩阵用于表示用户与隐藏特征的关系，产品矩阵用于表示产品与隐藏特征的关系，隐藏特征可以理解为影响用户选择产品的因子，可以手动设置个数。分解形式为：R＝PQ。它是将用户产品关系矩阵R通过学习训练参数，最终可以得到两个分解矩阵P和Q，损失函数的定义如下所示。

在上述损失函数中，r_ui为用户产品关系矩阵R中的元素，p_u和qi分别为矩阵P和矩阵Q中的向量，λ为正则化系数。

通过定义的损失函数，可以求得模型参数。损失函数是一个凸函数，凸函数必然存在最小值，这是一个凸优化问题，通过梯度下降法不断迭代，可求解出两个矩阵，最后通过两个矩阵相等得到的评分高低可以得到向用户推荐产品的推荐列表。传统的矩阵分解法能够实时的实现个性化推荐，但是，由于用户与被推荐产品的关系是多种多样的，传统的矩阵分解法并没有充分考虑这一因素，导致推荐的准确度不高。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于矩阵分解的产品推荐方法，其目的在于，在损失函数中充分考虑用户与被推荐产品之间的关系，以提高基于矩阵分解向用户推荐产品的推荐准确度。

为实现上述目的，本发明提供了一种基于矩阵分解的产品推荐方法，包括如下步骤：

(1)对历史评分数据进行预处理，得到用户对产品的评分矩阵；

(2)对评分矩阵中同一用户对不同产品的喜好程度进行排序，并根据排序结果确定损失函数；

(3)对评分矩阵进行分解，并根据损失函数对分解结果进行调整，从而得到使得损失函数取值最小的第一特征向量和第二特征向量，由此完成矩阵分解并得到向用户推荐产品的推荐列表；

其中，第一特征向量用于表示用户与隐藏特征的关系，第二特征向量用于表示产品与隐藏特征的关系。

进一步地，步骤(1)包括：

利用历史评分数据生成用户对产品的第一评分矩阵；

若第一评分矩阵的规模大于预设的数据集阈值，则对第一评分矩阵进行降维操作，从而得到第二评分矩阵，并将第二评分矩阵作为评分矩阵；否则，将第一评分矩阵作为评分矩阵；