[发明专利]一种基于GBP的PMF方法

说明书

本发明公开了一种基于GBP的PMF方法，上述方法能解决现有技术中的推荐系统没有基于基因维度来进行推荐，只保证在BP维度方面，没有办法从高维度进行匹配推荐的问题，该算法有具有提升学习率，防止步长过大导致最终无法收敛的问题；迭代次数减少，提高运行效率；相比传统MF更加精准、高效。

技术领域

本发明属于数据挖掘技术领域，尤其涉及一种基于GBP的PMF方法，上述推荐系统能解决现有技术中的推荐系统没有基于基因维度来进行推荐，只保证在BP维度方面，没有办法从高维度进行匹配推荐的问题。

背景技术

随着电子商务网站的快速发展，推荐系统已经被广泛研究和应用，推荐系统通过提取分析用户的资料、行为、评分等信息，获得用户的喜好，来帮助电商找到特定的用户为其推荐可能购买的产品，增加商品的销售量。

推荐系统通过收集用户的历史评分、交互(浏览、收藏、“点赞”，“踩”等交互行为)、用户肖像(年龄、职业、性别等)、社交网络和上下文(时间、位置、活动状态、周围人员等)等数据，对用户的历史兴趣及偏好进行分析，挖掘出用户喜欢的项目(视频、音频、书籍、菜品、Web服务等信息)，然后主动地将相关信息推荐给用户，满足用户的个性化需求。推荐算法是推荐系统的核心，很大程度上决定了推荐系统的性能。目前主要的推荐算法包括基于内容的推荐、基于知识的推荐、基于关联规则的推荐、协同过滤推荐和组合推荐等。

目前被广泛研究的推荐系统有的是采用基于内容的推荐算法、协同过滤推荐算法等。基于内容的推荐算法是通过用户购买过的产品的特征，为用户推荐与其相似的产品。这种算法的优点是可以处理冷启动问题，处理新加入的产品，并且这种算法不会受到打分稀疏性的问题，因为它不依赖于用户对产品的评分。但是它的缺点是无法处理像图形、视频和音乐这种难以分析提取内容特征的商品。

协同过滤算法则是利用用户-产品评分矩阵，计算用户或产品之间的相似度，利用相似度较高的邻居对其他产品进行评分预测，并根据预测评分的高低为目标用户进行推荐。但是每一个用户购买的产品数量通常不到产品总数的1％，所以造成用户-产品评分矩阵非常稀疏，从而使得推荐结果不佳；而基于邻域的协同过滤推荐算法是应用最早的协同过滤推荐技术，代表性算法为基于用户的协同过滤推荐和基于项目的协同过滤推荐。然而随着用户规模和项目数量的快速增长，基于邻域的协同过滤推荐算法的计算量大规模增大，同时产生了严重的评分数据稀疏性问题，即评分稀疏性问题。为了处理可扩展性和评分稀疏性问题，一些研究学者提出采用基于矩阵分解模型的推荐算法。矩阵分解模型假定“用户—项目”评分矩阵可以被分解为低维的潜在特征矩阵的乘积，其中潜在特征用于表示用户偏好或项目特征，如在电影推荐中，这些特征可能为喜剧、悬疑剧、爱情剧因素等。多次国际性比赛和大量研究都验证了矩阵分解模型具有抗数据稀疏性、易编程、较低的时空复杂度、较高的推荐精度和良好的可扩展性等优点。

相对于基于邻域的协同过滤推荐算法，矩阵分解模型有效缓解了评分稀疏性问题，但该问题还没有得到完全解决。为了进一步缓解评分稀疏性问题，本发明在深入研究PMF的基础上，提出了一种基于矩阵分解的协同过滤推荐方法及系统，该算法在PMF的基础上，通过将用户的基因(Gene)，行为(Behavior)，表型(Phenotypic)这三类信息称之为用户的GBP数据，将这些数据进行标签化，进而形成以用户为基础的GBP标签；将用户的GBP信息进行标签化后，再将内容(商品、文章、视频、图片等)信息进行标签化，进而将用户的GBP标签和内容的标签进行算法层面的匹配；本发明中将上述算法称为GBP-PMF算法，可见，GBP-PMF算法是一种基于矩阵分解的协同过滤推荐算法，GBP-PMF算法是基于基因维度对原有MF算法进行优化，该算法有具有提升学习率，防止步长过大导致最终无法收敛的问题；迭代次数减少，提高运行效率；相比传统MF更加精准、高效。

发明内容