[发明专利]基于物品间情景化隐式关系的协同过滤方法

说明书

技术领域

本发明涉及协同过滤方法，尤其涉及一种基于物品间情景化隐式关系的协同过滤方法。

背景技术

近年来，随着互联网信息过载问题的日益严重，很多服务的提供都迫切需要个性化推荐系统的支持。然而，传统的推荐技术只考虑了两种实体即“用户”和“项目”，而忽略了情景信息（如时间、位置、人员、活动状态、设备状况、网络条件等）对推荐的影响。为此，情景感知推荐系统逐渐受到关注，实践证明，情景信息的引入能够有效提高推荐的准确度和个性化程度。

目前，情景感知的推荐算法主要分成三大类：（1）情景相关的预过滤：从观测数据中抽取出与目标用户当前情景相关的数据，再利用得到的数据训练传统二维空间的推荐算法并进行预测。（2）情景相关的后过滤：首先应用传统的二维空间上的推荐算法来进行预测，再利用情景信息对推荐列表进行修正。（3）情景相关的建模：直接基于包含情景的用户偏好数据建立模型，将情景信息融入整个推荐生成过程。

上述情景感知推荐算法存在以下不足：（1）数据稀疏性问题：随着情景信息的引入，三维的用户-物品-情景评分矩阵比传统的用户-物品评分矩阵更加稀疏，情景相关的预过滤和后过滤的推荐方法难以获得理想的准确度。（2）可扩展性问题。尽管情景相关的建模方法，比情景相关的预过滤方法和后过滤方法更能适应稀疏的数据，但是目前已有的情景相关的建模方法往往计算复杂度较高，可扩展性差。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于物品间情景化隐式关系的协同过滤方法。

基于物品间情景化隐式关系的协同过滤方法的步骤如下：

1)从原始用户-物品-情景三维评分数据中提取物品在不同情景下的评分，建立物品-情景评分矩阵；

2)通过矩阵分解的方法对物品-情景评分矩阵进行分解，获得物品相对于情景的隐因子矩阵；

3)使用物品的隐因子矩阵为每一个物品建立情景化的特征向量，进而利用皮尔逊相关系数计算物品之间的相似度，建立物品隐式关系矩阵；

4)将物品隐式关系矩阵融入概率矩阵分解模型，为用户生成个性化推荐。

所述的情景是影响用户与推荐系统交互的因素包括时间、地点；所述的用户-物品-情景三维评分数据是由网站记录的用户与推荐系统的交互数据，即用户在不同情境下对不同物品的评分。

所述的步骤1)为：(1)计算用户在各个情景下的活跃程度：D_ik=N_ik/N_i，其中D_ik表示用户i在情景k下的活跃程度，N_ik表示用户i在情景k下的评分个数，N_i表示用户i的评分总个数；(2)从用户-物品-情景三维评分矩阵中提取物品-情景矩阵这里m表示用户个数，n表示物品个数，k表示情景个数，是实数空间，矩阵R_ic中第j行，第k列的元素r_jk表示物品j在情景k下的评分，并有其中表示用户i在情景k下对物品j的评分。

所述的步骤2)为：采用矩阵分解的方法分解物品-情景评分矩阵，得到物品的隐因子矩阵：其中R_ic是物品-情景矩阵，I_n×f是物品的隐因子矩阵，是情景的隐因子矩阵。这里隐因子矩阵I_n×f和中的元素是模型参数，在分解过程中，通过随机梯度下降的方法最小化目标函数获得模型参数，其中r_jk是物品j在情景k下的评分，||·||_F表示Frobenius范数，I_i和C_k分别表示矩阵I_n×f的第i行和矩阵的第k行；物品隐因子矩阵I_n×f反映了物品相对于情景的隐式特征，其第i行即表示物品i相对于情景的隐式特征向量。

所述的步骤3)为：利用皮尔逊相关系数计算物品相对于情景的隐式特征向量之间的相似度，建立物品隐式关系矩阵S：其中I_i表示物品i相对于情景的隐式特征向量，I_if为I_i的第f维，为I_i中各元素的平均值。