[发明专利]基于深度游走和物品协同过滤的融合推荐方法

说明书

本申请公开了基于深度游走和物品协同过滤的融合推荐方法，涉及融合推荐技术领域，方法先获取数据集，利用CF算法构建评分矩阵计算出物品相似度，结合皮尔逊相关系数值获得协同推荐物品集合；同时从数据集中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Embedding向量并按照节点间向量相似度获得目标推荐物品集合；最后引入与数据稀疏度相关的权重因子对两个集合进行修正，并在两个集合中出现相同推荐物品时引入增强因子来计算推荐物品的融合预测概率，并按融合预测概率大小从两个物品集合中选取前K个物品推荐给用户，本申请提高了协同过滤推荐在数据稀疏时的推荐精度。

技术领域

本申请属于融合推荐技术领域，具体涉及一种基于深度游走和物品协同过滤的融合推荐方法。

背景技术

在信息爆炸的时代，用户难以从大量数据信息中快速精确地获取所需信息，容易产生信息超载(Information Overload)问题。为帮助用户快速找到感兴趣的产品，推荐系统应运而生。近年来，推荐系统在电影、新闻、电子商务等诸多领域中起到了重要作用，有效减轻了信息超载现象。作为推荐系统的核心部分，推荐算法成为人们研究的热门对象。目前协同过滤(Collaborative Filtering，CF)算法已经应用于互联网的众多领域，协同过滤的目标是根据用户先前的爱好和有相同喜好的用户的购买记录(浏览信息)来推测该用户感兴趣的物品(内容)。深度游走(DeepWalk)算法是一种将随机游走(random walk)和word2vec两种算法相结合的图结构数据挖掘算法。该算法能够学习网络的隐藏信息，能够将图中的节点表示为一个包含潜在信息的Embedding向量，我们可以将用户的行为数据表示成图的形式，再根据图节点的相似度，最终给用户推荐感兴趣的物品。

目前在推荐系统中，协同过滤技术已经被应用于个性化推荐系统中。但随着平台用户数目和商品数目的逐渐增加,整个项目矩阵上用户评分数据极端稀疏,导致了预测结果的不准确性，推荐精度不高。

发明内容

为此，本申请提供基于深度游走和物品协同过滤的融合推荐方法，有助于帮助解决目前通过协同过滤技术进行个性化推荐时，不能及时修正用户兴趣随时间推移而发生变化的情况，且在数据稀疏时存在推荐精度不高的问题。

为实现以上目的，本申请采用如下技术方案：

本申请提供基于深度游走和物品协同过滤的融合推荐方法，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。

进一步地，所述步骤S2具体包括以下子步骤：