[发明专利]基于深度游走和物品协同过滤的融合推荐方法

权利要求书

1.基于深度游走和物品协同过滤的融合推荐方法，其特征在于，包括：

S1：从第三方平台中获取用户对物品的行为序列和评分数据作为数据集，并将数据集划分为训练集和测试集；

S2：基于数据集，利用基于物品的协同过滤算法构建评分矩阵计算出不同推荐物品相似度，并结合皮尔逊相关系数值获得协同推荐物品集合；

S3：基于测试集获取行为序列并构建有向图，利用深度游走算法对有向图进行随机游走采样，获得随机游走序列后输入模型处理，生成最终的Embedding向量，按照节点Embedding向量相似度获得目标推荐物品集合；

S4：引入预设的权重因子α对协同推荐物品集合的物品预测概率y与目标推荐物品集合中的物品预测概率q分别进行修正，分别获得修正后的协同推荐物品集合与目标推荐物品集合；若修正后的协同推荐物品集合与目标推荐物品集合中出现相同的推荐物品，则基于修正后的物品预测概率y和物品预测概率q，引入增强因子β计算出融合预测概率，将协同推荐物品集合和目标推荐物品集合中的推荐物品按照融合预测概率大小进行递减排序，选取前K个推荐物品作为融合推荐结果推荐给用户；

所述步骤S3具体包括以下子步骤：

S301：获取测试集中用户的行为序列；

S302：将用户的行为序列按时间序列转换成有向图；

S303：使用Random Walk对有向图中的节点进行随机采样，得到随机采样的节点序列，即随机游走序列；

S304：将节点序列输入到word2vec模型中，生成最终的Embedding向量；

S305：根据有向图中各个节点的Embedding向量相似度，获得目标推荐物品集合；

所述步骤S4具体包括：

令目标推荐物品集合={d1,d2,d3,...,dn}为第个用户使用深度游走算法推荐的n个物品；集合中的dc是一个二维向量，c∈[1,n]，dc=(x,y)，其中，x代表的是目标推荐物品id号，y表示目标推荐物品为x时的预测概率；

令协同推荐物品集合={f1,f2,f3,...,fm}为第个用户使用基于物品的协同过滤算法推荐的m个物品；集合中的ft是一个二维向量，t∈[1,m]，ft=(p,q)，其中p代表的是协同推荐物品id号，q表示协同推荐物品为p时的预测概率；

引入与数据稀疏度有关的预设权重因子α，对预测概率y和预测概率q分别进行修正，具体的修正过程如下式所示：

dc(x,y)=dc(x,(1-α)*y)

ft(p,q) =ft(p,α*q)

基于修正后的预测概率y和预测概率q进行物品预测，获得修正后的协同推荐物品集合与目标推荐物品集合；

若修正后的协同推荐物品集合与目标推荐物品集合中出现相同推荐物品时，引入增强因子β，β=1+1/len，对预测概率y和预测概率q中最大的预测概率进行加权，计算出融合预测概率，计算过程如下式所示：

predict=max{y,q}*(1+1/len)

其中，len为集合和集合中元素个数之和，len=n+m；y表示目标推荐物品为x时的预测概率；q表示协同推荐物品为p时的预测概率；predict表示物品推荐的融合预测概率；

最后再将集合和集合中元素按融合预测概率的大小进行递减排序，取前K个元素为推荐集，推荐集S为：

S=Top-K(sort(,))。