[发明专利]基于矩阵因子分解的个性化推荐方法及推荐系统

权利要求书

1.一种基于矩阵因子分解的个性化推荐方法，其特征在于，包括：

搭建面向大数据的计算平台；

在已搭建的计算平台内计算目标用户和其它用户的相似性；

基于矩阵因子分解并结合目标用户和其它用户的相似性对目标用户未选择过的商品进行评分预测；

对目标用户未选择过的商品按照预测的评分大小进行排序后推荐给目标用户；

基于矩阵因子分解并结合目标用户和其它用户的相似性对目标用户未选择过的商品进行评分预测的具体步骤包括：

根据目标用户对已选择过的商品的评分矩阵R，确定用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系；

根据用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系确定矩阵因子分解的目标函数；

在目标函数中加入基于目标用户和其它用户的相似性的修正因子，形成基于人际关系的目标函数；

根据基于人际关系的目标函数求解用户特征矩阵S和商品特征矩阵V；

根据户特征矩阵S和商品特征矩阵V计算目标用户未选择过的商品的评价矩阵R’；

用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系为：

R≈S^TV

S^T为矩阵S的转置矩阵，S∈R^h×m，V∈R^h×n，h<min(m,n)，目标用户对已选择过的商品的评分矩阵R是由m个用户和n个商品所组合的m×n矩阵；

根据用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系确定矩阵因子分解的目标函数的具体步骤包括：

采用奇异值分解思想对目标用户对已选择过的商品的评分矩阵R进行分解，并确定矩阵因子分解的目标函数：

F为信息搜索的准确率和召回率的调和平均值，为弗罗贝尼乌斯范数；

对目标函数进行变换，形成变换后的目标函数：

a_ij表示用户i选择过商品j；r_ij表示用户i对j商品的评分；

对变换后的目标函数进行正则化，形成正则化后的目标函数：

其中，λ₁和λ₂为调节参数，λ₁,λ₂>0，λ₁和λ₂取值为0.01；

在正则化后的目标函数中加入基于目标用户和其它用户的相似性的修正因子，形成基于人际关系的目标函数：

其中，α和β为调节参数，α和β的取值为0.01；S(i,f)表示用户i和f之间的相似性，F(i)表示和用户i具有社会关系的用户集合，O(i)表示商品i；

根据基于人际关系的目标函数求解用户特征矩阵S和商品特征矩阵V的具体步骤包括：

首先，令采用梯度下降法对用户特征向量S_i和产品特征向量V_i求偏导数：

接着，分别令偏导数和为零求解用户特征矩阵S和商品特征矩阵V；

根据用户特征矩阵S和商品特征矩阵V计算目标用户未选择过的商品的评价矩阵R’，计算公式为R’＝SV。

2.根据权利要求1所述的基于矩阵因子分解的个性化推荐方法，其特征在于，在已搭建的计算平台内计算目标用户和其它用户的相似性，计算的公式为：

其中，S(i,f)表示用户i和用户f之间的相似性，a_ij和a_fj表示用户i和用户f对商品j的选择情况，r_ij表示用户i对j商品的评分，和分别表示用户i和用户f的评分均值，k(u_i)和k(u_f)分别表示用户i和用户f的选择过商品的数量，k(o_j)表示商品j被多少用户选择过。

3.根据权利要求1所述的基于矩阵因子分解的个性化推荐方法，其特征在于，采用Hadoop提供的MapReduce分布式计算框架，搭建面向大数据的计算平台。

4.一种基于矩阵因子分解的个性化推荐系统，其特征在于，包括：

搭建模块，搭建面向大数据的计算平台；

相似性计算模块，在已搭建的计算平台内计算目标用户和其它用户的相似性；

预测模块，基于矩阵因子分解并结合目标用户和其它用户的相似性对目标用户未选择过的商品进行评分预测；

推荐模块，对目标用户未选择过的商品按照预测的评分大小进行排序后推荐给目标用户；

基于矩阵因子分解并结合目标用户和其它用户的相似性对目标用户未选择过的商品进行评分预测的具体步骤包括：

根据目标用户对已选择过的商品的评分矩阵R，确定用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系；

根据用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系确定矩阵因子分解的目标函数；

在目标函数中加入基于目标用户和其它用户的相似性的修正因子，形成基于人际关系的目标函数；

根据基于人际关系的目标函数求解用户特征矩阵S和商品特征矩阵V；

根据户特征矩阵S和商品特征矩阵V计算目标用户未选择过的商品的评价矩阵R’；

用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系为：

R≈S^TV

S^T为矩阵S的转置矩阵，S∈R^h×m，V∈R^h×n，h<min(m,n)，目标用户对已选择过的商品的评分矩阵R是由m个用户和n个商品所组合的m×n矩阵；

根据用户特征矩阵S和商品特征矩阵V与目标用户对已选择过的商品的评分矩阵R之间的关系确定矩阵因子分解的目标函数的具体步骤包括：

采用奇异值分解思想对目标用户对已选择过的商品的评分矩阵R进行分解，并确定矩阵因子分解的目标函数：

F为信息搜索的准确率和召回率的调和平均值，为弗罗贝尼乌斯范数；

对目标函数进行变换，形成变换后的目标函数：

a_ij表示用户i选择过商品j；r_ij表示用户i对j商品的评分；

对变换后的目标函数进行正则化，形成正则化后的目标函数：

其中，λ₁和λ₂为调节参数，λ₁,λ₂>0，λ₁和λ₂取值为0.01；

在正则化后的目标函数中加入基于目标用户和其它用户的相似性的修正因子，形成基于人际关系的目标函数：

其中，α和β为调节参数，α和β的取值为0.01；S(i,f)表示用户i和f之间的相似性，F(i)表示和用户i具有社会关系的用户集合，O(i)表示商品i；

根据基于人际关系的目标函数求解用户特征矩阵S和商品特征矩阵V的具体步骤包括：

首先，令采用梯度下降法对用户特征向量S_i和产品特征向量V_i求偏导数：

接着，分别令偏导数和为零求解用户特征矩阵S和商品特征矩阵V；

根据用户特征矩阵S和商品特征矩阵V计算目标用户未选择过的商品的评价矩阵R’，计算公式为R’＝SV。