[发明专利]一种基于集成学习的个性化推荐方法

说明书

本发明涉及机器学习和推荐系统领域，具体涉及一种基于集成学习的个性化推荐方法，该方法包括三个模块，分别为数据预处理、模型建立及其优化和个性化推荐。其中数据预处理模块主要负责对数据特征的重新整合，通过构造新特征以及流行学习降维解决复杂特征提取困难问题；模型建立及其优化模块主要负责基于融合完成的数据建立个性化集成学习预测模型，并在预测模型建立的基础上进行贝叶斯优化，提高个性化推荐的准确度；个性化推荐模块主要负责获取预测模型的数据结果，通过Top N推荐方法获得个性化推荐结果并进行验证。该方法可以通过集成学习提高个性化推荐的准确度；另外融合流行学习进行降维实现数据特征的融合，进而解决了复杂特征提取困难问题。

技术领域

本发明涉及机器学习和推荐系统领域，具体涉及一种基于流行学习LPP(局部保留投影算法，Locally Preserving Projections)和集成学习GBDT(梯度提升决策树，Gradient Boosting Decision Tree)的个性化推荐方法。

背景技术

近年来，随着互联网技术和计算机技术的不断更新，互联网带来了巨大的信息数据量的同时，也加剧了“信息超载”的现象。虽然用户对信息资源的选择范围得到扩大，但是如何从庞大的数据中快速有效地筛选出对自己有用的信息，提高信息的利用效率成为当代互联网发展的一大难题。许多现有的web应用程序(如门户网站和搜索引擎等)本质上都是帮助用户过滤信息的一种方法。但是，这些方法只能满足用户的主流需求，没有考虑到个性化这一问题，并且信息过载的问题仍然没有得到很好的解决。个性化推荐作为一种重要的信息过滤手段，是解决信息超载问题的一种有效方法。

伴随着机器学习时代的发展，将机器学习方法应用在推荐算法领域成为一大趋势。个性化推荐也借助了很多机器学习方法，比如支持向量机、决策树、神经网络、深度学习、聚类、降维、回归预测、集成学习等。基于机器学习的个性化推荐方法可以有效解决相似度计算方法单调、相似度计算复杂度高、难以挖掘用户潜在兴趣、用户标签信息和人口统计学信息难以利用、以及商品特征抽取较为困难等问题，然而用户标签信息、人口统计学信息以及商品特征信息在解决冷启动问题方面效果欠佳，是获取用户潜在兴趣的必不可少的信息。

发明内容

发明目的

本发明提出了一种基于局部保留投影算法和集成学习的个性化推荐方法，其目的在于解决推荐系统中信息过载的问题，提高个性化推荐的效率和精度。

技术方案

一种基于集成学习的个性化推荐方法，其特征在于，所述方法包括：

步骤1：分析个性化推荐数据的维度属性，将个性化推荐数据分为“用户- 物品-评分”数据；将相关联的“用户-物品-评分”维度进行数据关联；

步骤2：处理完成后分析“用户-物品-评分”每个维度属性的数据类型，并将其数据类型转化为集成学习所要求的数据类型；

步骤3：根据“用户-物品-评分”维度属性中“评分”属性，进行特征属性生成；

步骤4：将所得到的所有数据进行标准化处理，计算方式如下：

其中，vv表示数据的原始数值，v′表示标准化处理后的数值，min表示vv所在列的最小值，max表示vv所在列的最大值；

步骤5：设原始空间中“用户-物品-评分”数据集A有m个样本点x₁,x₂,...,x_m，样本点x_i是一个l维向量，i取值为从1到m的整数，这m个样本按照列构成的矩阵为X；利用流行学习LPP方法对该数据集A进行降维处理，降维后的数据集B 为由样本点y₁,y₂,...,y_m构成，样本点y_i是一个n维向量，这m个样本按照列构成的矩阵为Y，其中l＞n；