[发明专利]一种推荐方法以及系统

说明书

技术领域

本发明涉及信息处理领域，特别涉及信息处理领域中的相似性度量的方法以及系统。

背景技术

当前，在众多领域均涉及相似性度量，并基于各种已有的相似性度量方法进行相似性分析进而进行推荐。例如在互联网行业等领域所涉及的推荐的方法。

现有的进行推荐的方法包括以下几种。一种基于系统过滤技术产生推荐。包括利用现有相似性度量方法。如：皮尔逊相关系数、Jaccard系数、余弦相似度、相关相似度等相似性度量方法，得到TOP_N的近邻。利用TOP_N的近邻，根据其操作情况，推荐相关结果。一种是基于矩阵分解技术产生推荐。包括svd分解、修正的svd分解技术等。矩阵分解技术认为用户的评分为用户属性向量和物品属性向量的内积。还有多种推荐技术的叠加。主要基于多种推荐结果的叠加，在扩大推荐关联效果、消除单个推荐算法存在的问题上，有一定优势。但显然，这是一种屈就的解决办法。同时不可克服的较高的运算复杂度。

但是以往的推荐方法存在针各种各样的问题，例如user_based CF和item_based CF是相同的算法；user_based CF和item_based CF，推荐效果较差的问题；现有相似度计算方法，主要基于属性向量的相似度计算方法，其效果较差的问题；矩阵分解算法在适应隐反馈信息时候，效果较差的问题；运算复杂度不可控的问题；矩阵稀疏和冷启动等问题的最佳解决办法；基于用户行为的信息和基于内容、标签、社会关系等的信息，其不能有效融合和最大限度利用的问题。

发明内容

本发明就是鉴于上述问题而完成的，其目的在提供以下一种推荐方法和系统：通过概率和统计的方法，深入的研究了个性化推荐技术的本质，提出了新的个性化推荐技术，指出了传统个性化推荐技术的错误，系统解决了传统个性化推荐技术的以上至少一个问题。

本发明涉及一种推荐方法，包括以下步骤：数据获取步骤，获取关于用户的行为数据以及物品的特征数据；相似度计算步骤，利用所获取的所述行为数据和特征数据获取物品和物品之间的相似度矩阵；推荐矩阵计算步骤，利用所述用户的行为数据生成用户对物品的概率矩阵，并将所述概率矩阵与所述相似度矩阵相乘来获取推荐矩阵。

根据本发明所涉及的推荐方法，其中，所述相似度计算步骤包括以下步骤：基于行为数据的相似度计算步骤，计算基于行为数据的物品和物品之间的相似度；基于特征数据的相似度计算步骤，计算基于特征数据的物品和物品之间的相似度；以及相似度综合步骤，将基于行为数据所得到的相似度与基于特征数据所得到的相似度利用以下的贝叶斯公式进行综合，来得到贝叶斯相似度矩阵，

其中，b_i、b_j表示物品，下标变量i和j为正整数，先验概率密度sim′(b_i，b_j)为基于特征数据的物品b_i和物品b_j之间的相似度结果，条件概率密度sim″(b_j，b_i)为基于行为数据的物品b_j和物品b_i相似度结果，sim″′(b_i，b_j)表示进行了相似度综合的物品b_i和物品b_j之间的贝叶斯相似度。

根据本发明所涉及的推荐方法，其中，在所述基于行为数据的相似度计算步骤中，利用所获取用户集合中的用户a和物品集合中的物品b、以及用户集合中的用户a对物品集合中的物品b无差别的相似性操作次数sim(a，b)，执行基于下式的物品集合内部物品b_j与物品b_i的相似性值sim"(b_j，b_i)的计算，以生成相似度矩阵，

其中，i，j，m，n表示集合中元素的标号，k是归一化因子。

根据本发明所涉及的推荐方法，其中，将所述相似度矩阵作为输入矩阵，利用计算所述相似度矩阵的方法再次进行计算，以得到增强相似度关联的物品和物品之间的增强相似度矩阵来作为所述行为数据的物品b_j和物品b_i相似度结果。

根据本发明所涉及的推荐方法，其中，在计算基于行为数据的相似度之前还包括白噪声补偿步骤：将用户对物品操作的次数低于预定次数的用户补充至预定次数。