[发明专利]一种基于社会化标签的协同过滤方法

权利要求书

1.一种基于社会化标签的协同过滤方法，其特征在于包括如下步骤：

1)首先使用三部图对用户、物品、社会化标签这三种不同结点进行建模，并应用随机游走算法为每个用户个性化推荐top-N个物品；

2)使用lasso logistic regression模型去对物品进行标签的扩展，即对每个物品，增加与其语义相关的标签，并且除去那些有噪音的标签，以解决社会化标签中存在的噪音和稀疏性问题，即物品通常只被很少一部分标签标注；

3)调节标签在推荐过程中的权重。

2.根据权利要求1所述的一种基于社会化标签的协同过滤方法，其特征在于，所述的通过三部图对用户、物品以及标签建模并应用随机游走算法为每个用户推荐物品的步骤为：

1)使用三部图建模，则该三部图可表示为：G＝{U，I，T，E}，其中U、I、T分别表示用户、物品、标签，E表示它们之间的关系，则该三部图可以如下邻接矩阵表示为：

M=0UI0UIT0IT0ITT0]]>

其中UI表示User对Item的评分矩阵，UI_ij即为用户u_i对物品i_j的评分；IT为物品与标签矩阵，IT_jl表示物品i_j被标签t_l标注的次数；

2)在该三部图上使用随机游走算法进行推荐。

随机游走算法中的转移矩阵定义如下：

Sij=MijΣiMij=0P10P20Q10Q20]]>

随机游走算法初始化时，每个结点给予初始值R(0)。随后依据转移矩阵，迭代“走”向其它结点，直至收敛，同时，为了体现个性化原则，在迭代过程中，随机游走算法以概率α走向那些反应用户偏好的结点，随机游走算法形式化定义如下：

R(0)=1|M|R(t+1)=(1-α)SR(t)+αp]]>

其中R(t)即为随机算法对各节点的推荐值，p表示用户偏好结点，在三部图中，包括用户结点，物品结点，及标签结点，其定义如下：

p＝[p^user p^item p^tag]^T

其中，p^user为用户自身，p^item是那些被用户评分过的物品结点，p^tag是用户使用过的标签结点。

在实际计算中，上述方程可推荐出如下形式：

R(t+1)user=(1-α)P1R(t)item+αpuserR(t+1)tag=(1-α)Q2R(t)item+αptagR(t+1)item=(1-α)(P2R(t)user+Q1R(t)tag)+αpitem]]>

其中R(t+1)^user，R(t+1)^tag，R(t+1)^item分别表示对用户、标签以及物品的推荐值，对R(t+1)^item排序，选出其中值最大的前N个物品推荐给用户。