[发明专利]一种基于标签迁移学习的推荐方法

摘要

一种基于标签迁移学习的推荐方法，利用迁移技术解决标签数据稀疏的问题，迁移的知识是标签之间的关系，利用已有标签信息密集的数据集，聚类得到标签的topic，通过迁移学习的方式将标签的topic迁移到其他相关的但是标签信息相对稀疏的数据集上，然后根据迁移来的标签topic结合评分数据计算得到用户的相似度，最后利用协同过滤技术完成推荐。本发明提供的方法通过引入另外一个相似的但数据密集的领域的标签信息，来计算新领域的标签topic，从而提高计算用户相似性的准确性，进而达到更好的推荐效果。

主权项

一种基于标签迁移学习的推荐方法，其特征是从标签数据丰富的源数据集学习知识迁移到标签数据不足的目标数据集，用于标签数据不足的网站对用户进行个性化推荐，迁移的知识是标签之间的关系，具体表现形式是标签聚类后形成的主题topic，包括以下步骤：1)分别在源数据集和目标数据集预先对标签数据进行清洗，对源数据集的标签进行聚类，得到标签的topic集合；2)迁移标签的topic集合到目标数据集：迁移标签的topic集合的目标是将目标数据集上的每一个标签都放到一个与该标签距离最小的topic中，如果从源数据集上迁移过来的所有topic与该标签的距离都比较远，则该标签将形成一个新的topic，具体步骤如下：遍历目标数据集上的所有标签，对每一个标签：2.1)如果该标签也存在于源数据集上，则它本来就存在于迁移过来的某一个topic中；2.2)如果该标签在源数据集上不存在，则在目标数据集上计算它和每一个topic的距离，并设定划分阈值：A：如果最近的距离不大于划分阈值，把这个标签放在距离最近的topic中；B：如果最近的距离大于划分阈值，把这个标签作为一个新的topic；3)在目标数据集上进行推荐，根据步骤2)中得到的topic集合，同时结合用户评分数据，计算得到用户对标签topic的评分，根据用户对标签topic的评分采用基于用户的协同过滤技术完成推荐。