[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

说明书

本发明提供一种基于矩阵因子分解的个性化推荐方法及推荐系统，该方法包括：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。

技术领域

本发明涉及数据挖掘技术领域，其特别涉及一种基于矩阵因子分解的个性化推荐方法及推荐系统。

背景技术

随着电子商务的发展和应用，基于大数据的个性化信息推荐服务研究成为学术界和业界所关注的热点问题。电子商务平台在为用户提供海量商品信息的同时，也增加了用户面对繁杂众多的信息中快速而准确的找到符合自身需求的内容的难度。个性化推荐技术的出现即为解决此类问题，它是根据用户的兴趣特点和购买行为，向用户推荐其感兴趣的信息和商品。以个性化推荐技术为核心构建的个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。例如：购物网站的推荐系统为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求。

已有的个性化推荐方法包括协同过滤算法，基于内容的推荐算法等。协同过滤算法分析用户兴趣，在用户群中找到指定用户的相似用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测，其相似性计算方法常采用余弦相似性以及相关相似性。但这种推荐方法由于用户对某一信息的评价的稀疏性，其会对最终产品推荐的准确率和召回率造成一定的影响。而基于内容的推荐是协同过滤技术的延续与发展，它不需要依据用户对产品的评价意见，而是依据用户已经选择的产品内容信息计算用户之间的相似性，进而进行相应的推荐，该方法可以克服协同过滤存在的一些问题，如：稀疏性问题等。但采用基于内容的推荐算法其不能为用户发现新的感兴趣的资源，只能发现和用户已有兴趣相似的资源；且当一个新的用户没有或很少对任何商品进行评分时，系统无法向该用户提供可信的推荐。

发明内容

本发明为了克服现有个性化推荐方法准确率低以及推荐资源少的问题，提供一种准确率高且多样化的基于矩阵因子分解的个性化推荐方法及推荐系统。

为了实现上述目的，本发明提供一种基于矩阵因子分解的个性化推荐方法，该方法包括：

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。

于本发明一实施例中，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’。

于本发明一实施例中，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