[发明专利]对用户进行个性化推荐的方法和装置

说明书

技术领域

本发明涉及计算机应用领域，具体涉及一种对用户进行个性化推荐的方法和装置。

背景技术

随着信息技术和互联网的蓬勃发展，网络上的资源呈爆炸式增长。例如：Netflix上有数万部电影，Amazon上有数百万本书，Taobao上有上亿件商品。面对如此多的信息，如果利用传统的信息搜索引擎进行信息搜索，得到的千篇一律的信息排序结果，无法根据不同用户的偏好提供相应的服务。因此，海量的信息空间在带给用户多元化选择的同时，反而使用户迷失在信息的海洋中，用户不得不花费大量的时间成本来寻找所需的消息，即所谓的“信息超载”现象。针对上述问题，个性化推荐系统孕育而生，该系统能够根据用户的历史行为预测用户的兴趣特征，为不同的用户量身推荐个性化的产品。与传统的信息搜索引擎“一对多”的服务方式不同，个性化推荐系统提供的是“一对一”的服务，更能符合用户需求。

推荐算法是个性化推荐系统的核心和关键部分，其性能的优劣直接影响了推荐系统的推荐效果。目前，最常用的个性化推荐系统包括以下两类：基于内容的推荐系统和协同过滤推荐系统。基于内容的推荐系统需要分别对用户和产品建立配置文件，通过用户填写的个人信息、用户的产品购买记录以及用户对产品的描述信息，建立和更新用户的配置文件。该系统可以比较用户的配置文件与产品的配置文件的相似度，并直接向用户推荐与其配置文件最相似的产品。而协同过滤推荐系统并不需要建立用户和产品的配置文件，它能够根据用户的

历史行为(如用户浏览购买行为，用户对产品的评分)推断出用户对产品的偏好程度进而进行推荐。协同过滤技术无需用户的个人信息，不涉及到隐私问题，且简单有效，这些优点使得协同过滤技术成为迄今为止应用最成功的个性化推荐技术。

在协同过滤技术中，通常将用户、类目的二元关系组成一个二维矩阵，矩阵中第i行第j列的值表示用户i对产品j的评分。一般而言，由于用户评分的产品相对于所有产品而言很少，所以该矩阵特别稀疏(稀疏度＝1-矩阵中有评分的项/矩阵大小)，很多稀疏度都在99％以上。因此，仅仅利用评分数据来预测用户的偏好是不够的。Web2.0技术的出现，使得用户从被动的“信息”接收者变成了主动的信息参与者。很多以用户为中心的应用孕育而生，如社会化标签系统。这些系统允许用户为不同的产品随意的打上标签数据，从而便于用户查找分类信息。现有技术中还没有综合利用用户-产品的评分数据以及用户的标签数据来对用户进行个性化推荐的方法。

发明内容

本发明实施例提供了一种对用户进行个性化推荐的方法和装置，以实现对用户进行有效的个性化产品推荐。

一种对用户进行个性化推荐的方法，包括：

利用用户的标签数据计算用户之间的相似度，利用产品的标签数据计算产品之间的相似度，根据相似度信息获取每个用户和每项产品的邻居集合；

基于所述用户和产品的邻居集合信息，采取最近邻居矩阵分解算法计算出用户和产品的特征向量；

根据用户和产品的特征向量，预测用户对未评分产品的评分数据，根据所述评分数据对用户进行个性化产品推荐。

一种对用户进行个性化推荐的装置，包括：

邻居集合获取模块，用于利用用户的标签数据计算用户之间的相似度，利用产品的标签数据计算产品之间的相似度，根据相似度信息获取每个用户和每项产品的邻居集合；

特征向量获取模块，用于基于所述用户和产品的邻居集合信息，采取最近邻居矩阵分解算法计算出用户和产品的特征向量；

个性化推荐处理模块，用于根据用户和产品的特征向量，预测用户对未评分产品的评分数据，根据所述评分数据对用户进行个性化产品推荐。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出了一种新型的个性化推荐算法框架，该算法能整合用户的评分数据和标签数据，在矩阵分解模型中引入了标签信息、邻居集合信息，因此既拥有矩阵分解模型的优点，又能够在全局结构中抓住邻居间的强关系。在公开数据集上的实验结果表明，本发明实施例的最近邻居矩阵分解算法远远优于现今最流行的矩阵分解算法和最近邻算法。

附图说明

图1为本发明实施例一提出的一种结合用户-产品的评分数据和用户的标签数据对用户进行个性化推荐的方法的处理流程图；

图2为本发明实施例一提出的一种用户和产品特征向量的后验分布的计算原理示意图；

图3为本发明实施例二提出的一种对用户进行个性化推荐的装置的结构图。

具体实施方式