[发明专利]基于隐式反馈信息的局部低秩矩阵近似的推荐方法及系统

摘要

本发明公开了一种基于隐式反馈信息的局部低秩矩阵近似的推荐方法及系统，属于推荐技术领域。本发明从用户信息中被忽略的隐式反馈信息入手，通过局部低秩矩阵近似原理，使用隐式反馈信息优化特征提取模型，提取用户与物品的单维多维偏好向量；并且基于用户和物品的偏好信息，给与一个更加准确的用户评分推荐方式。本发明的推荐系统，包括数据引擎模块、多维特征提取模块、评分预测模块、协同推荐模块和信息更新模块；通过各个模块的协同工作，提取出用户在不同环境下的多维隐性因子，提高整个系统推荐结果的准确性和个性化，具有很高的通用性，适用于现有的大多数推荐场景。

主权项

1.基于隐式反馈信息的局部低秩矩阵近似的推荐方法，其特征在于，包括下列步骤：提取待推荐用户的用户—物品数据，所述用户—物品数据为待推荐用户的对物品的历史操作信息；基于当前用户—物品数据构建用户—物品关系数据表，其中用户—物品关系数据表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户和物品关系的紧密程度，例如表内每项数据值的大小，代表了对应用户对物品评分值；基于当前用户—物品关系数据表构建用户—物品关系矩阵，基于预置的特征数，对用户—物品关系矩阵进行奇异值分解，得到全局用户‑特征矩阵和全局物品‑特征矩阵；其中，全局用户‑特征矩阵的每一列表示不同的用户，每一行表示不同的特征，表项内容为各用户对应不同特征的分解结果，即用户对特征的敏感度；全局物品‑特征矩阵中的每一行表示不同的特征，每一列表示不同的物品，表项内容为不同物品对应不同特征的分解结果，即物品对特征的切合度；随机选取多个锚点，基于全局用户‑特征矩阵和全局物品‑特征矩阵得到对应每个锚点的锚点用户、锚点物品；对每个锚点用户，基于锚点用户与非锚点用户间的相似度，在全局用户‑特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部用户‑特征矩阵，其中局部用户‑特征矩阵的每一列表示不同的用户，表项内容表示用户对此特征的敏感度；对每个锚点物品，基于锚点物品与非锚点物品间的相似度，在全局物品‑特征矩阵中获取满足相似度阈值的近似特征向量，构建当前锚点的局部物品‑特征矩阵，其中局部物品‑特征矩阵中的每一行表示在当前维度下的特征数，每一列表示不同的物品，表项内容表示物品对此特征的切合度；基于关于相似度的核平滑函数设置各局部用户‑特征矩阵的用户向量权重，设置各局部物品‑特征矩阵的物品向量权重，每个用户对应一个用户向量权重，每个物品对应一个物品向量权重；通过上述处理后可得到多维用户特征数据表和多维物品特征数据表，维数对应预设的锚点数。构建用户—物品预测表，其中表中的每一行代表一位用户的数据信息，每一列代表一件物品的数据信息，表项内容表示用户对物品的预测值：若用户购买当前物品，则用户对物品的预测值为用户和物品关系的紧密程度的真实数据(例如用户对购买物品的实际评分值)；若用户未购买当前物品，则用户对物品的预测值为用户和物品的切合度，其中切合度为：根据同一锚点下的用户向量权重和物品向量权重的乘积得到用户‑物品偏好权重矩阵，更具同一锚点下的局部用户‑特征矩阵与局部物品‑特征矩阵的乘积，得到局部用户‑物品特征矩阵；基于用户‑物品偏好权重，对所有锚点下的局部用户‑物品特征矩阵进行加权累加，得到用户和物品的切合度；根据用户—物品预测表和用户对物品的购买记录，筛选出前Krec个最大预测值的未购买物品构成用户推荐表并向用户推荐，其中Krec为预设的物品推荐数量。