[发明专利]基于增强回归树的推荐方法及系统

摘要

一种基于增强回归树的推荐方法，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r_i,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I_i,j＝0，在用户i对物品j做出评分时，I_i,j＝1；S2、学习用户的偏好模型{brt_i}及物品特征矩阵V；S3、根据学习用户的偏好模型{brt_i}及物品特征矩阵V的学习结果生成通过增强回归树表达的物品推荐列表。本发明还提供一种基于增强回归树的推荐系统。

主权项

1.一种基于增强回归树的推荐方法，其特征在于，其包括如下步骤：/nS1、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r_i,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I_i,j＝0，在用户i对物品j做出评分时，I_i,j＝1；/nS2、根据评分记录学习用户的偏好模型{brt_i}及物品特征矩阵V；/nS21、随机生成物品特征矩阵V中的每一个元素；对用户i，计算该用户所有评分的均值，作为初始的回归树T_i,0加入用户i的偏好模型brt_i中；/nS22、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；/n目标函数为如下：/n /n其中，为预测的用户评分，||V||_F表示物品特征矩阵V的F-范数，λ_V为正规化项的权重；/nS23、采用Gradient boost算法为每一个用户i训练一个回归树T_i,k，所述T_i,k是brt_i中的第k个回归树，brt_i是用户i的偏好的增强回归树模型；针对用户i的每一个评分r_i,j计算：/n其中，表示用户i对物品j的评分的真实值r_i,j与预测值brt_i(v_j)之间的差异,v_j是物品j的特征向量，它是一个1×D的行向量，所述D为正整数；/nbrt_i(v_j)是用户i对物品j的评分的预测值，即brt_i是表示用户i的偏好的增强回归树模型，它是多个回归树的加权和：/n /n其中，a_i,k是第k个回归树的权重，K是brt_i中回归树的总数；/n采用作为训练样本，训练回归树T_i,k；将T_i,k以Gradient boost算法的学习率η加入到brt_i中，其中/nbrt_i←brt_i+ηT_i,k；/nGradient boost算法为梯度提升算法；/nS24、更新每一个物品j的物品特征向量；/nS3、根据学习用户的偏好模型{brt_i}及物品特征矩阵V的学习结果生成通过增强回归树表达的物品推荐列表。/n