[发明专利]一种基于标签和时间信息的个性化推荐方法

说明书

本发明提出了一种基于标签和时间信息的个性化推荐方法，该方法包括以下步骤：收集用户历史行为数据，将该用户的历史行为根据评级、标签和时间信息获取用户的标签偏好，然后基于标签的频率和时间效应来估计标签和项目之间的相关性，最后利用矩阵因子分解算法对偏好模型数据进行预测评级，对用户进行个性化推荐。本发明通过采用时间信息与标签数据相结合的协因子分解方法，可以有效地解决由稀疏评级数据引起的过拟合问题，可以有效提高推荐结果的有效性和用户满意度。

技术领域

本发明属于信息推荐领域，特别涉及一种个性化推荐方法，更具体的说，是提出了一种基于标签和时间信息的个性化推荐方法。

背景技术

随着社交网络和电子商务平台的发展，导致了信息超载的现象，使得用户难以获取满足用户需求的信息、产品和服务。此外，当用户面临过多的无关选择时，用户体验和购买转化率会显著下降。在这种背景下，作为一种个性化的信息过滤工具，推荐系统在解决信息超载、帮助用户找到自己真正需要的信息方面发挥着越来越重要的引导作用。如今，为了提高服务质量，推荐系统已经被应用到互联网的各个领域，如亚马逊、TripAdvisor和阿里巴巴等。

目前，常用的推荐技术可分为协同过滤(CF)、基于内容的推荐技术(CB)和基于知识的推荐技术(KB)。然而，现有的推荐技术在处理大多数推荐系统所特有的评级数据稀疏性问题时都比较薄弱，导致推荐精度下降，因此如何在数据高度稀疏的情况下训练有效的推荐系统模型仍然是一个重大的挑战。

发明内容

本发明的目的是为了克服现有技术的不足之处，提出了一种基于标签和时间信息的个性化推荐方法，确保能够有效地解决由稀疏评级数据引起的过拟合问题，可以有效提高推荐结果的有效性和用户满意度的方法。

一种基于标签和时间信息的个性化推荐方法，包括以下步骤：

步骤一：用户在进入系统平台时，系统平台会自动收集用户的历史行为数据，并进行收集、存储和分类整理；

步骤二：系统根据收集到的历史行为数据记录为用户标签，生成为分析用户偏好的数据；

步骤三：系统根据预先设定的评级标准将用户标签进行评级，然后通过记录标签产生频率，再根据标签的时间信息产生标签新颖度，通过结合标签等级、标签频率和标签新颖度产生用户标签偏好，从而生成用户—标签偏好矩阵；

步骤四：然后根据步骤三中产生的标签频率和标签新颖度确定标签与项目之前的关系，从而得到标签-项目关联矩阵，系统根据预先设定的评级标准将项目进行评级得到用户—项目评价矩阵；

步骤五：利用用户标签偏好、标签等级和标签与项目之间的关系应用矩阵因子分解算法，构建了矩阵因子分解模型中的协同奇异值分解co-SVD模型：

步骤六：co-SVD模型通过集成标签等级、频率和新颖性，得到用户标签偏好，根据标签频率和一个项目的新颖性，确定标签和项目之间的相关性，根据用户标签偏好和标签与项目之间的相关性，分别定义了co-SVD模型对用户-项目评价矩阵、用户-标签偏好矩阵和标签-项目关联矩阵进行因子分解，协同处理标签与时间信息源的过拟合问题，并利用矩阵因子分解算法对偏好模型数据进行预测评级，按预测评分排序，得到推荐结果，对用户进行个性化推荐。

优选地，所述个性化推荐技术可分为协同过滤(CF)、基于内容的推荐技术(CB)和基于知识的推荐技术(KB)，其中协同过滤推荐算法分为：基于内存的协同过滤和基于模型的协同过滤，所述矩阵因子分解算法(MF)是一种基于模型的协同过滤算法。