[发明专利]一种基于正规化矩阵因式分解的增量协同过滤推荐方法

权利要求书

1.一种基于正规化矩阵因式分解的增量协同过滤推荐方法，其特征在于：能够以增量更新的方式，正确反映新增用户反馈信息对推荐结果的影响，步骤如下：

(1)基于正规化矩阵因式分解模型的输入顺序无关性改进：在基于正规化矩阵因式分解的隐向量模型中对隐特征向量的训练过程进行分析，并以简化隐特征向量训练规则为目的，提出与训练实例输入顺序无关的、基于正规化矩阵因式分解的隐向量模型；

(2)隐特征向量的增量更新：以输入顺序无关性模型为基础，对隐特征向量在每轮训练中的增量数学表达式进行分析，提出隐特征向量的增量更新规则；

(3)整合线性偏差的增量更新：整合能够增量更新的统计观测偏差。

2.根据权利要求1所述的基于正规化矩阵因式分解的增量协同过滤个性化推荐方法，其特征在于：所述步骤(1)中的基于正规化矩阵因式分解模型的输入顺序无关性改进，具体如下：

①分析基于正规化矩阵因式分解的协同过滤推荐模型在一轮训练结束后，隐特征向量p_u、q_i的状态值，表示为：

pu(K)=cKpU(0)+A]]>

A=cK-1h(ru,1-pu(0)q1(h1))q1(h1)+......+ch(ru,K-1-pu(K-2)qK-1(hK-1))qK-1(hK-1)]]>

+h(ru,K-pu(K-1)qK(hK))qK(hK)]]>

qi(H)=cHqi(0)+B]]>

B=cH-1h(r1,i-p1(k1)qi(0))p1(k1)+......+ch(rH-1,i-pH-1(kH-1)qi(H-2))pH-1(kH-1)]]>

+h(rH,i-pH(kH)qi(H))pH(kH)]]>

②假设模型同时对所有相关的训练实例进行学习，则可得到简化A、B的表达式，表示为：

③根据α_K、β_H中各参数对结果的意义和影响进行近似简化，得到α_K、β_H的近似表达式，表示为：

αk≈c(1-K-12ηλ)]]>

βk≈c(1-H-12ηλ)]]>

④根据以上步骤①至③的简化和处理，得到基于正规化矩阵因式分解的输入顺序无关性模型在一轮训练结束后，隐特征向量p_u、q_i的状态值，表示为：