[发明专利]基于二次函数表示用户偏好的推荐方法及系统

摘要

一种基于二次函数表示用户偏好的推荐方法，其包括如下步骤：S1、从在线服务商处获取用户对物品的评分记录，其中评分记录为评分矩阵R，在评分矩阵R中的每一个元素ri,j表示用户i对物品j的评分；在用户i没有对物品j评分时，指示矩阵I中的元素Ii,j＝0，在用户i对物品j做出评分时，Ii,j＝1；S2、通过随机梯度下降法优化目标函数学习用户条件偏好；S3、根据步骤S2中学习的用户条件偏好通过二次函数生成物品推荐列表。本发明还提供一种基于二次函数表示用户偏好的推荐系统。

主权项

1.一种基于二次函数表示用户偏好的推荐方法，其特征在于，其包括如下步骤：S1、从在线服务商处获取用户对物品的评分记录，其中评分记录为评分矩阵R，在评分矩阵R中的每一个元素ri,j表示用户i对物品j的评分；在用户i没有对物品j评分时，指示矩阵I中的元素Ii,j＝0，在用户i对物品j做出评分时，Ii,j＝1；S2、通过随机梯度下降法优化目标函数学习用户条件偏好；S21、初始化用户条件偏好及物品特征：对每一个用户i随机生成用户条件偏好Ui、ui和Bi中的每一个元素；对每一个物品j随机生成物品特征vj和bj中的每一个元素；S22、检查收敛条件，当迭代次数达到预设次数或目标函数的值不再减小时跳转到步骤S23，否则跳转到步骤S3；优化目标函数如下：其中表示预测的用户评分；||·||_F为F‑范数；函数连续可导，用于度量用户真实评分和预测评分之间的差异，λ_U、λ_u、λ_B、λ_v、λ_b为正规化参数；S23、随机选择观察到的评分：在观察到的评分矩阵R中随机选择一个非空的元素ri,j；S24、计算梯度：通过优化目标函数，对每一个用户i计算用户条件偏好Ui、ui和Bi的梯度，计算方法如下：通过优化目标函数，对每一个物品j计算物品特征vj和bj的梯度，计算方法如下：S25、更新用户条件偏好和物品特征：对每一个用户i更新用户条件偏好Ui、ui和Bi，更新方法如下：Ui←Ui‑ηΔUiui←ui‑ηΔuiBi←Bi‑ηΔBi对每一个物品j，更新物品特征vj和bj，更新方法如下：vj←vj‑ηΔvjbj←bj‑ηΔbj其中，η为学习率；跳转到步骤S22；S3、根据步骤S2中学习的用户条件偏好通过二次函数生成物品推荐列表，对每一个用户i，计算该用户对所有没有评分的物品j的评分预测值，计算方法为：对排序，得到对用户i的推荐列表，其中U_i为D×D的实对称矩阵，D为特征维数，u_i是1×D的行向量，B_i是一个实数；U_i、u_i和B_i表示了用户的条件偏好；v_j是1×D的行向量，b_j是一个实数，v_j和b_j表示了物品j的特征。