[发明专利]一种基于用户与物品多属性交互面向隐式反馈的推荐方法

说明书

本发明公开了一种基于用户与物品多属性交互面向隐式反馈的推荐方法，包括步骤：1)对用户与物品多个属性的隐式反馈交互数据进行预处理；2)根据预处理后用户与物品每个属性的隐式反馈交互数据来初始化用户物品特征向量以及构造用户物品交互矩阵；3)根据每个属性的用户物品交互矩阵来更新对应的用户物品特征向量；4)对多个用户物品特征向量进行融合来获取最新的用户物品特征向量；5)根据最新的用户物品特征向量的内积计算用户对物品的兴趣值；6)根据用户对物品的兴趣值进行排序，生成推荐列表。本发明利用用户与物品多个属性的交互，获得更全面表示用户兴趣和物品特性的用户物品特征向量，从而实现更加精准的推荐。

技术领域

本发明涉及推荐方法的技术领域，尤其是指一种基于用户与物品多属性交互面向隐式反馈的推荐方法。

背景技术

随着大数据时代的到来，互联网中的数据正呈指数级增长，人们从曾经的信息匮乏时代步入了信息过载时代。推荐技术是一种解决信息过载的有效方法，协同过滤是推荐技术中比较突出和常用的方法。传统的协同过滤方法，如矩阵分解技术将用户物品交互矩阵分解为关于用户和关于物品的两个低秩矩阵，然后使用用户和物品的低秩向量内积来预测用户对物品的兴趣值。不过这种方法由于只使用了用户的历史行为数据这一个方面的信息，在用户物品交互矩阵稀疏时的推荐效果并不是很好。

发明内容

本发明的目的在于解决传统协同过滤推荐技术的不足，提出了一种基于用户与物品多属性交互面向隐式反馈的推荐方法，能够在隐式反馈场景中实现更加精准的推荐，可以获得更全面表示用户兴趣和物品特性的用户物品特征向量。

为实现上述目的，本发明所提供的技术方案为：一种基于用户与物品多属性交互面向隐式反馈的推荐方法，包括以下步骤：

1)对用户与物品多个属性的隐式反馈交互数据进行数据变换预处理；

2)根据预处理后用户与物品每个属性的隐式反馈交互数据来初始化对应用户物品特征向量以及构造对应的用户物品交互矩阵；

3)根据每个属性的用户物品交互矩阵来更新对应的用户物品特征向量；

4)对多个用户物品特征向量进行融合来获取最新的用户物品特征向量；

5)根据最新的用户物品特征向量的内积计算用户对物品的兴趣值；

6)根据用户对物品的兴趣值进行排序，生成推荐列表。

在步骤1)中，对用户与物品多个属性的隐式反馈交互数据进行数据变换预处理是针对用户与物品每个属性的隐式反馈交互数据，通过字典映射的方式进行数据变换预处理；所述用户与物品多个属性的隐式反馈交互数据是指用户在推荐系统中对物品产生点击或观看行为，推荐系统生成的包括用户ID与对应物品多个属性值的记录；隐式反馈的特点在于：将用户交互的物品作为用户喜欢的正样本，但缺乏用户不喜欢的负样本，通过从用户未交互的物品中利用随机采样的方式获取预设量的负样本；数据变换预处理是指把用户与物品多个属性的隐式反馈交互数据中的用户ID和物品属性值通过字典进行一一映射，把所有用户ID映射到0至m-1范围内，表示总共有m个用户，从0开始计数，m-1表示第m-1个用户；物品属性个数表示为F，属性f表示物品第f个属性，f取值范围为1到F，把每个属性f的属性值映射到0至n_f-1范围内，表示属性f总共有n_f个属性值，从0开始计数，n_f-1表示第n_f-1个属性值。

在步骤2)中，根据预处理后用户与物品每个属性的隐式反馈交互数据来初始化对应用户物品特征向量以及构造对应的用户物品交互矩阵是指根据预处理后用户与物品每个属性的隐式反馈交互数据来对用户与物品每个属性组成的特征向量矩阵进行初始化，同时构造用户与物品每个属性的交互矩阵，具体情况如下：