[发明专利]一种基于隐语义模型的个性化推荐方法

摘要

本发明公开了一种基于隐语义模型的个性化推荐方法，步骤如下(1)选取一段时间内的用户对商品评分，以评分，用户社交网络特征和用户属性作为数据集；(2)构建用户‑商品评分矩阵，从中随机选取80％的数据作为训练数据，20％作为测试数据；(3)分析用户社交网络特征数据、用户属性信息，分别得到用户u对物品i的预测评分，(4)将三种评分数据加权，得到最后的预测评分；(5)采用测试集数据，测试算法的准确性，选用平均绝对误差(MAE)作为衡量标准。本发明在隐语义模型的基础上，融入用户社交网络特征和用户属性信息，有效提高对新用户的推荐准确度，有效地缓解冷启动和数据稀疏等问题。

主权项

一种基于隐语义模型的个性化推荐方法，其特征在于，步骤如下：(1)选取一段时间内的用户对商品评分，以评分，用户社交网络特征和用户属性作为数据集；(2)构建用户‑商品评分矩阵，从中随机选取80％的数据作为训练数据，20％作为测试数据，同时处理用户社交网络特征，用户属性信息；(3)用户属性值用0或1来表示，使用支持向量机方法为每个属性训练一个分类模型，以用户对隐因子的关联程度作为模型的输入，输出用户属性值；(4)根据(2)中用户属性值，用户u的特征属性可用向量Attru＝(au1,au2,…,auN)表示，其中，N为用户属性的个数，则下述公式计算用户u和用户v的相似度：simAttr(u,v)=Σs∈AttrwssimAttr(u,v,s)]]>其中，ws是属性s的重要程度，上述公式可得到rAttr(u,i)，即根据用户属性信息预测用户u对物品i的评分；(5)以社交网络为基础，对用户进行聚类处理，而用户u与用户v之间的信任强度与两个用户间的最短路径直接相关，计算得到两个用户之间的信任程度，从而得到rTrust(u,i)；(6)采用隐语义模型，所有用户对隐因子的关联向量组成矩阵P，所有物品对隐因子的关联向量组成矩阵Q，则矩阵相乘得到原始的评分矩阵，用户u对每个隐因子的关联程度与每个隐因子对物品i的关联程度的乘积求和，得到用户u对物品i的原始预测评分值：r^ui=Σf=1Fpufpif]]>(7)当新用户从加入系统到用户对物品有一定数评分的过程中，推荐系统依据社交网络特性和用户属性信息推荐，过渡到利用用户的评分数据，则将三种评分数据加权，得到最后的预测评分：r′ui=a·rTrust(u,i)+b·rAttr(u,i)+c·r^ui]]>(8)采用测试集数据，测试算法的准确性，选用平均绝对误差(MAE)作为衡量标准，MAE越小推荐结果越好，根据预测分数从大到小对商品进行排序，若该用户满意的商品集中在排序列表中靠前部分，则证明算法有效，反之无效。