[发明专利]一种基于多视图哈希的图书推荐方法

说明书

技术领域

本发明涉及基于多视图哈希的图书推荐技术，尤其涉及一种基于多视图哈希的图书推荐方法。

背景技术

随着信息技术的发展，内容的创建和分享变得越来越容易，这可以让人们获得更多的信息，满足了人们的需求，但是用户在面对互联网上的海量信息时，无法准确地从中获得自己需要的信息，这会使互联网上信息的利用效率下降，这就是所谓的信息过载问题。个性化推荐系统的出现就是为了解决这个问题的。推荐系统会根据用户的信息，分析用户的信息需求点、兴趣爱好点，将特定的一些产品或者信息推荐给用户。数字图书馆的用户在面对大量增长的在线图书资源时，也会面临这个问题，即用户不知道如何寻找自己感兴趣的书籍。

挖掘用户的兴趣点通常是根据用户历史的行为数据，传统的方法一般是利用了用户在某一个视图上的数据，而没有考虑将多个视图的用户行为数据整合在一起，另一方面，传统的推荐方法是基于高维的特征向量来计算的，效率不高。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于多视图哈希的图书推荐方法。

本发明的目的是通过以下技术方案来实现的：一种基于多视图哈希的图书推荐方法，包括以下步骤：

(1)从日志收集系统中筛选出用户在两个视图上的行为数据，包括图书点击数据和搜索数据；

(2)利用用户的点击数据和搜索数据，构建用户在点击视图和搜索视图上的用户特征向量；

(3)利用用户在两个视图上的用户特征向量，通过多视图哈希算法学习得到用户的哈希编码、两个视图上的哈希函数以及各个视图的权重；

(4)利用得到的用户哈希编码为目标用户寻找相似用户；

(5)得到相似用户的图书集合，作为推荐图书的候选列表，计算目标用户对候选列表中的图书的偏好程度，返回目标用户偏好程度最大的前N本图书。

进一步地，所述的步骤2具体为：从用户点击数据中得到所有用户的图书点击集合B＝{b₁,b₂,...,b_x}，其中x为图书总数，再根据用户点击数据和B，构建出每个用户点击视图的特征向量X₁，X₁＝[I₁,I₂,...,I_x]其中利用所有用户的搜索数据，首先将用户所有的搜索词分词，得到所有用户的搜索词集合Q＝{q₁,q₂,...,q_y}，y表示分词后所有搜索词个数，然后利用工具word2Vec以及weka将这些词聚类，得到a个类，a为自然数，最后构建出用户在搜索视图的特征向量X₂，X₂＝[I₁,I₂,...,I_a]，其中I_j＝用户的搜索词在类j中的占比，j＝1,2,…,a。

进一步地，所述的步骤3包括以下子步骤：

(3.1)初始化点击视图和搜索视图的权重α_p，α_p＝0.5,p＝1,2；

(3.2)根据X₁和X₂构建链接矩阵

(3.3)根据构建正规图拉普拉斯矩阵

(3.4)计算得到

(3.5)计算矩阵H(α)的k个对应特征值最小的特征向量，k为最终用户哈希编码的位数；根据特征向量生成用户哈希编码矩阵U；

(3.6)计算得到哈希函数

(3.7)根据二次规划方法更新权重α；如果没有收敛，重复步骤3.4到步骤3.7，如果已经收敛，则得到最终的

进一步地，所述的步骤4具体为：目标用户的哈希编码如果可在步骤3生成的U中找到，则直接计算目标用户与U中的所有其他用户的哈希编码之间的汉明距离，否则首先得到目标用户两个视图的特征向量，再利用步骤3中得到的哈希函数和权重α生成哈希编码，然后计算目标用户与U中的所有用户的哈希编码之间的汉明距离；根据汉明距离从小到大排序，选前M个用户作为目标用户的相似用户，得到相似用户集合Usim，M为自然数。

进一步地，所述的步骤5包括以下子步骤：

(5.1)将相似用户集合Usim中所有用户对应的图书集合进行合并，去除目标用户已经点击过的图书，组成推荐结果的候选集合Icandidate；