[发明专利]一种基于内容互信的协同主题回归标签推荐方法

摘要

本发明是一种面向物品的基于信任内容互相传播的标签推荐混合方法。本发明将普遍存在于用户间的社交关系以及在该关系网络中传播的信任机制应用到物品之间，结合物品的内容信息，使用主题模型，矩阵分解技术提出了一种基于内容互信的协同主题回归的混合模型。不同于传统的协同过滤方法将推荐目标看做相互独立的个体，该混合模型不仅可以将多种数据信息统一到一个模型中集中处理，还可以通过主题之间的相互作用，表现出物品之间存在的关系。通过实验，本发明得到了较传统协同过滤推荐方法更高的推荐精度。

主权项

1.一种基于内容互信的协同主题回归标签推荐方法，包括数据预处理、推荐方法的过程设计以及推荐方法的实现,具体操作步骤如下：步骤a.对初始的数据去噪，并对内容重新编号；步骤b.将物品的文本信息进行向量化处理，得到文本向量矩阵；步骤c.从数据中提取物品间的社交关系，并构建信任网络；步骤d.根据获取的数据信息，设计算法过程；步骤d具体包括：(d1)对所有的标签tag，生成其中N表示高斯分布，I_k是K维的单位矩阵，u_i表示标签i的特征向量，λ_u表示标签的特征向量精度系数；(d2)对于每个物品item的内容有以下的生成步骤：a)生成主题比例分布θ_j～Dirichlet(α)，其中Dirichlet表示狄利克雷分布，θ_j表示主题j的比例分布，j是主题,α是先验参数；b)对于物品item内容w_j中的每一个词w_jn，i.生成在主题分配上的分布z_jn～Mult(θ_j)，其中Mult表示多项式分布；ii.生成每个词的分布其中，w_j表示物品item是j主题的内容，w_jn表示物品item属于j主题的内容的每一个词；下标n代表内容里属于j主题的词数；z_jn表示w_jn在主题分配上的分布，表示z_jn对应的单词概率，是多项式分布的参数；(d3)对于每个物品item，生成其中有V表示物品item的特征向量，p表示概率，T是一个用1或0表示的信任网络邻接矩阵，表示正则化后的信任网，λ_ν表示物品的特征向量的精度系数，λ_s表示物品中每一个主题j的每一个单词s的精度系数，θ表示所有主题，θ_j表示其中的一个主题比例分布，I_j表示j维的单位矩阵,是ν_j正则化后的结果；(d4)对每个标签物品对，生成标记信息r_ij，有其中的N表示高斯分布，c_ij表示confidence parameter:其中，有a和b满足a>b>0；ν_j表示物品j的特征向量,u_i表示标签i的特征向量，i和j分别表示标签i和物品j；步骤e.根据算法设计过程，得出算法的更新规则。