[发明专利]一种带有时间权重的异构信息网络推荐方法

说明书

一种带有时间权重的异构信息网络推荐方法，属于通信技术领域，其特征在于：将元路径上带有时间权重的关系对应的邻接矩阵与对应的时间偏差矩阵做哈德曼积，得到带有时间权重的邻接矩阵；将元路径上各相邻接矩阵依次相乘，得到带有时间权重的交换矩阵；将带有时间权重的交换矩阵分解为用户因子矩阵和商品因子矩阵两个矩阵；对任一元路径通过对用户因子矩阵和商品因子矩阵的优化构建预测矩阵得到结果；采用线性组合的方式将多条元路径的预测结果进行融合，获得用户商品评分；依据评分进行推荐。通过时间偏差矩阵，将时间因素对用户偏好的影响量化。通过用户偏差项和商品偏差项，考虑需求稳定的特殊用户以及优质商品，在原有基础上对算法进行优化。

技术领域

本发明属于通信技术领域，尤其涉及一种带有时间权重的异构信息网络推荐方法。

背景技术

异构信息网络(Heterogeneous Information Network，HIN)中节点和边的类型有多种，这使其能比通常的同构网络更好的表达各类复杂真实的数据，如著作网络数据、社会网络数据、知识图谱等。HIN率先被用于解决信息检索中相似对象搜索问题，近年来也被用于链路预测、聚类、分类以及推荐等领域。

数据的稀疏性，一直是推荐系统领域面临的严峻问题之一。由于用户和商品数量庞大，因此用户和商品之间的交互记录将会非常稀疏，这就使得推荐算法的依据不够充足。为了缓解数据稀疏性，很多学者提出要将边信息(side information)融入推荐算法，如用户的社交网络信息、用户和商品的特征信息、用户交互过程中产生的文本图片等信息。

基于异构信息网络挖掘的推荐方法虽然取得了良好的推荐效果，但仍然存在诸多挑战。比如，当前的异构信息网络并未考虑时间因素对边信息的影响。在真实的推荐系统中，用户的偏好和需求会随着时间发生变化，不同时期可能喜欢不一样的商品，这也说明用户的远期行为和近期行为对其当前需求的影响程度是不同的。一般来说，用户近期的行为更能反映出当前的需求和偏好。如果忽视边信息中的时间因素，推荐算法将难以及时发现用户最新的需求，生成的推荐结果也将很难被采纳，用户的使用体验也会随之下降。

发明内容

本发明旨在解决上述问题，提供一种带有时间权重的异构信息网络推荐方法。

本发明所述带有时间权重的异构信息网络推荐方法，包括

通过增加时间属性构建带有时间权重的异构信息网络；所述异构信息网络包括若干元路径；任一所述元路径上任意两相邻实体间的关系带有时间属性，即为带有时间权重的元路径；及时间偏差矩阵，用于记录时间因素对两相邻实体之间关系的影响程度；及

邻接矩阵，用于表示元路径上相邻实体之间的关系。如用户和商品之间的邻接矩阵表示用户和商品之间的评分关系，矩阵中的元素代表相应用户对相应商品的评分；及

带有时间权重的交换矩阵，通过时间偏差矩阵和邻接矩阵构建带有时间权重的交换矩阵，用于表示用户与商品在元路径上的相关性；及

预测矩阵，用于预测用户对商品的评分；

建立推荐模型：

将元路径上带有时间权重的关系对应的邻接矩阵与对应的时间偏差矩阵做Hadamard(哈德曼)积，得到新的带有时间权重的邻接矩阵；将元路径上各相邻实体的邻接矩阵依次相乘，得到带有时间权重的交换矩阵。将带有时间权重的交换矩阵分解为用户因子矩阵和商品因子矩阵两个矩阵；对于任一元路径，通过对用户因子矩阵和商品因子矩阵的优化，构建预测矩阵，获得预测结果；

采用线性组合的方式将多条元路径的预测结果进行融合，获得最终用户商品评分；

依据最终用户商品评分进行推荐。