[发明专利]一种基于训练集优化的推荐系统的动态推荐方法

摘要

本发明公开了一种基于训练集优化的推荐系统的动态推荐方法，该方法具体为：步骤(1)建立初步推荐模型部分：根据原始的用户评分数据生成最初的推荐模型；步骤(2)AdaBoost训练：通过多次迭代学习训练数据，利用最初的推荐模型作为分类判定的依据并进行数据的分类和调整样本的学习次数；步骤(3)筛选错误样本：把经过多轮的AdaBoost训练之后被选定为难样本的数据当作错误样本去除从而构建出新训练数据集合；步骤(4)重构推荐模型：以新的训练数据为基础，结合训练结果重新生成推荐模型；步骤(5)产生推荐结果：利用新的推荐模型产生推荐结果。本发明能够利用原始训练数据集在内容上很大的相关性，排除一些在推荐服务中没有参考意义的数据，提高训练数据的有效性和最终推荐模型的精度。

主权项

一种基于训练集优化的推荐系统的动态推荐方法，其特征在于：该方法具体步骤如下：步骤(1)建立初步推荐模型：根据原始的用户评分数据，利用基于正规化矩阵因式分解推荐模型中的建模方法生成最初的推荐模型；步骤(2)AdaBoost训练：利用步骤(1)中生成的推荐模型作为最初分类判定的依据构建分类器，根据推荐模型计算出的推荐值和原始数据值之间的差异情况判定数据的分类，利用AdaBoost算法学习原始训练样本，并在每一轮结束后生成新的分类器；步骤(3)筛选错误样本：在利用AdaBoost算法的训练过程中每一轮训练都需要筛选出难样本，在本方法中难样本的划分可以采用预测值与真实值之间的差异性来判断，即当这种差异大于某一阈值时即判定为难样本；经过多轮的AdaBoost训练之后，多次被选定为难样本的数据可以当作错误样本去除，从而构建出用于下一次迭代所需的训练数据集合；步骤(4)重构推荐模型：以步骤(3)中获得的训练数据为基础，结合AdaBoost训练数据，重新生成推荐模型。步骤(5)产生推荐结果：以用户特征向量作为输入，利用步骤(4)获得的推荐模型计算出推荐结果并返回给用户。