[发明专利]面向奇异发现推荐的兴趣模型更新方法

说明书

技术领域

本发明涉及一种对门户个性化推荐服务进行兴趣模型更新的方法，更特别地说，是指一种基于兴趣漂移检测的面向奇异发现推荐的兴趣模型更新方法。

背景技术

推荐服务技术在上世纪九十年代被应用于电子商务领域，其后在个性化服务领域中得到了进一步的发展。门户个性化服务则是个性化服务在大型门户应用中的拓展，也是个性化服务新的应用和发展领域。个性化推荐服务中的用户兴趣模型是关于用户兴趣、偏好、模式等的一种可计算的特定形式化描述，对用户兴趣模型的研究涵盖了兴趣模型的表示、学习、更新与存储等相关技术。为了解决用户兴趣漂移的问题，要求能够自适应的更新调整用户兴趣模型的权重或层次结构描述，以确保用户兴趣模型能够准确快速地描述用户最新的兴趣偏好。

奇异发现(Serendipitous Discoveries)问题是近年来个性化推荐系统发展需要解决的热点问题之一，所谓奇异发现是指个性化推荐系统向用户推荐的项目是用户感兴趣但未发觉的项目。现有的个性化推荐系统向用户推荐的项目通常是与用户已浏览过的项目相似度很高的项目，或是用户所在群体中普遍感兴趣的项目，而用户通常不需要被推荐就可能意识到自己对上述两类推荐项目的兴趣，从而降低了个性化推荐服务的效用。因而，如何发现用户尚未发觉的兴趣项目，使个性化推荐产生使用户感觉意外的效果——即个性化推荐具有奇异性(Serendipity)，是提高个性化推荐系统的用户忠诚度和满意度所必须解决的问题。适应奇异发现的个性化推荐服务要求个性化推荐系统对用户的各个短期兴趣状态进行记录和保存，一方面使用户兴趣模型能够随用户兴趣变化不断进行部分更新，更新反馈信息涉及的兴趣概念的程度，同时保留用户对其他兴趣概念的兴趣描述；另一方面只在真正发生兴趣漂移时才对用户短期兴趣状态序列进行更新，以保证每个用户短期兴趣状态都具有一定的兴趣描述准确程度。

在门户个性化推荐系统的实际应用中，可能存在由用户的误操作或探索性浏览操作等原因产生的与用户兴趣没有直接因果关系的反馈信息(本发明中称为噪声)，对此类噪声数据的过快的反应会降低兴趣模型的准确程度和稳定性；而模型更新过程对反馈信息反应过慢，又难以达到快速响应兴趣漂移的目标，因此在设计兴趣模型更新策略时应达到模型更新速度和模型稳定性兼顾的目标。由于用户对推荐项目的浏览操作具有一定的随意性，所以噪声数据的产生在所难免，若将上述噪声数据的出现视为发生兴趣漂移并触发模型更新操作，将会影响兴趣模型的准确程度，因此有必要识别出噪声数据，并加以去除。

已提出的兴趣模型更新方法主要包括如下几种：滑动窗方法利用可变大小的滑动窗口对用于模型更新的数据进行选择，与利用全部历史数据重建兴趣模型相比，提高了运算效率，但该方法完全抛弃了位于窗口外的历史数据，使用新数据新建模型，因此对反馈数据规模要求较高，在反馈信息没有覆盖用户所有兴趣类别的情况下，在更新后无法保持对反馈未涉及的兴趣类别的描述；渐进式遗忘方法为每项历史数据附加年龄权值，“年龄”越大的数据权值越小，一定程度上反映了历史数据对模型影响的逐步减弱，但该方法仅定义了原有兴趣描述的淡化过程，未涉及如何将新的反馈加入至兴趣模型；改进的滑动窗方法根据当前推荐的上下文环境查找历史数据中的相似信息，将相似历史信息与反馈信息共同用于构造新兴趣模型，从而降低了对反馈数据规模的要求，但仍无法保持对反馈信息未涉及到的兴趣的描述；基于遗传算法的模型更新方法根据用户反馈信息重新构造兴趣模型，并使该模型的推荐结果最接近于反馈信息，借助于遗传算法的特点，该方法能够较好的处理噪声数据，但该方法同样无法保留模型中的历史数据，而且更新过程须多次计算推荐结果，其效率依赖于具体推荐算法，运算效率无法保证，也降低了算法的通用性；基于人工神经网络的方法采用感知器模型更新用户兴趣并完成推荐，若采用该方法并完全依赖反馈数据重建兴趣模型，则同样存在无法保持对反馈未涉及兴趣描述的问题，而且对反馈数据规模要求很高，若在原有神经网络兴趣模型基础上进行更新，则要求原有兴趣模型采用神经网络表示方式，削弱了模型更新算法的通用性。

综上所述，现有的兴趣模型更新方法均无法完全满足奇异发现推荐对兴趣模型更新过程的要求，同时在噪声处理方面也存在一定的局限性。

发明内容