[发明专利]基于节点用户的概率矩阵分解模型的构建方法

摘要

本发明公开了一种基于节点用户的概率矩阵分解模型的构建方法，步骤一：根据社交网络对推荐的影响来定义用户影响力；步骤二：对于节点用户影响力进行形式化的度量；步骤三：构建基于节点用户的概率矩阵分解模型；步骤四：对基于节点用户的概率矩阵分解模型进行训练。与现有技术相比，本发明能够加强社交关系对推荐的作用，进一步提高推荐算法的预测准确性。

主权项

一种基于节点用户的概率矩阵分解模型的构建方法，其特征在于，该方法包括以下步骤：步骤一、通过社交关系矩阵来定义用户的影响力，即社交关系矩阵T∈{0,1}^n*n，1表示有关系，0表示没有关系，有关系的节点越多代表该节点的影响力越大；步骤二、对于节点用户的影响力进行形式化的度量，包括：使用用户入度、用户评分、以及用户平均误差作为用户影响力指标；判断三个影响力指标两两之间的相关性；步骤三、按照“影响力”大小排序，得到影响力最大的一些用户；步骤四、构建基于节点用户的概率矩阵分解模型，包括：对于社交网络中的一个用户，其特征向量会受到其直接邻居中影响力最大的一些用户的影响。设N_u表示用户u的节点邻居集合，T∈{0,1}^n*n为用户社交关系矩阵，F_v表示用户v的影响力，则用户u的特征向量受这些节点邻居的影响力表示为：${\hat{U}}_u=\frac{{\mathrm{\Σ}}_{v\∈N_u}{F}_v{U}_v}{{\mathrm{\Σ}}_{v\∈N_u}\left|F_v\right|}$式中，U_v表示用户v的特征向量受这些节点邻居的影响力，N_u表示用户u邻居节点的集合；计算用户特征向量的条件概率，表示为：$P\left(U\right|T,{\mathrm{\σ}}_U^2,{\mathrm{\σ}}_T^2)=\underset{u=1}{\overset{N}{\Π}}N\left(U_u\right|0,{\mathrm{\σ}}_U^{2}I)\×\underset{u=1}{\overset{N}{\Π}}N\left(U_u\right|{\mathrm{\Σ}}_{v\∈N_u}{U}_v,{\mathrm{\σ}}_U^{2}I)$其中，N(μ|σ²)表示为均值μ，方差为σ²的高斯分布；假设用户、物品特征向量以及社交关系矩阵服从高斯分布，则通过贝叶斯推导，可以得到在给定用户评分、社交关系矩阵以及用户影响力情况下用户和物品特征向量的后验概率，将后验概率取对数(目的是将概率值放大)，得到目标函数；步骤五、对基于节点用户的概率矩阵分解模型进行训练，对后验概率对数式，求其极大值，等价于求解目标函数式的最小值。