[发明专利]一种基于动态增量更新的上下文推荐方法

权利要求书

1.一种基于动态增量更新的上下文推荐方法，其特征在于包括以下步骤：

1)根据电子商务网站的历史记录提取用户信息，根据用户信息构建成张量；并对构建的张量进行张量分解运算，得到四类特征因子，具体实现过程为：

1.1)在某一电子商务网站通过历史记录提取用户信息，并根据用户信息进行建模，构建张量A，采用数学表达式表示张量代表张量A为N阶张量，张量第1阶表示用户，即包含I₁个用户，张量第2阶表示物品，即包含I₂个物品，张量第n阶n∈[3,...,N]表示上下文信息，即n个上下文信息包含I_n个不同属性；其中，用户信息包括三类，分别为用户名称、物品名称和用户上下文信息，用户上下文信息是指用户的上网时间和用户IP；

1.2)对张量A进行张量分解运算，得到四类特征因子，即：用户特征矩阵物品特征矩阵上下特征矩阵以及特征核张量g_t；同时，记录对张量A的展开矩阵A_(n)进行矩阵奇异值分解的特征矩阵以及右奇异值矩阵V_t⁽ⁿ⁾，t表示推荐系统当前的时刻；

2)当张量的规模发生变化时，根据新加入的用户数据构成的新张量对步骤1)得到的四类特征因子进行动态增量更新，得到新的四类特征因子；

3)当对用户进行物品推荐的时候，根据更新后的特征因子，计算用户与物品之间的评分值，将评分值较高的物品作为用户可能会喜欢的物品推荐给用户。

2.如权利要求1所述的一种基于动态增量更新的上下文推荐方法，其特征在于：所述步骤2)采用ITF算法实时更新数据变化后的四类特征因子，具体过程为：

2.1)对用户数量或者物品数量增加后的数据，提取新用户名称、新物品名称以及上下文信息构成新的张量，记为张量F；假设张量A的大小为需要增量计算的张量为二者在第4模式合并后组成的新张量记为其中，假设I₁＝I₂＝I₃＝I₄＝2,I₄′＝1，那么

2.2)对张量A^*按照第1模式展开得到展开矩阵进行动态增量更新计算，展开矩阵的大小为对于原始张量A的第一模式展开矩阵A₍₁₎的矩阵SVD分解结果V_t⁽¹⁾，对展开矩阵进行动态增量更新根据如下步骤进行：

①根据公式对张量F的第一模式展开矩阵F₍₁₎进行计算的到矩阵Y；

②对矩阵Y进行秩为R₁的SVD运算：(U_Y,Σ_Y,V_Y)＝SVD(Y,R₁)，得到三个特征矩阵U_Y,Σ_Y,V_Y；

③将V_t⁽¹⁾与U_Y,∑_Y,V_Y进行计算得到新的特征矩阵具体的计算公式如下：

式中，I_f为大小为I′_N×I′_N的单位矩阵，这样就可以得到张量A^*按照第一模式展开得到展开矩阵在t+1时刻的特征矩阵

2.3)对张量A^*按照第2模式展开得到展开矩阵进行动态增量更新计算，采用n表示张量的第n模式，在此步骤中，n＝2代表第2模式，引入单位矩阵P_n，使得 具体实现过程为：

A)引入单位矩阵G＝[E_n|Q_n](1≤n≤I₁I₂...I_n-1)，E_n和Q_n将G分为2I₁I₂...I_n-1个列向量，其中，

B)将P_n表示为：例如对张量A^*按照第2模式展开得到展开矩阵进行列变换的矩阵：

对张量A^*按照第3模式展开得到展开矩阵进行列变换的矩阵：

C)根据公式对张量F的第n模式展开矩阵F_(n)进行计算的到矩阵Y；

D)对矩阵Y进行秩为R_n的SVD(矩阵奇异值分解)运算：(U_Y,∑_Y,V_Y)＝SVD(Y,R_n)，得到三个特征矩阵U_Y,∑_Y,V_Y；

E)将V_t⁽ⁿ⁾与U_Y,∑_Y,V_Y进行计算得到新的特征矩阵具体的计算公式如下：

得到张量A^*按照第n模式展开得到展开矩阵在t+1时刻的特征矩阵

2.4)按照步骤2.3)的方法计算张量第3阶到N-1阶展开矩阵的增量更新后的特征矩阵n∈[3,N-1]；

2.5)对张量A^*按照第N模式展开得到展开矩阵进行动态增量更新计算，得到更新后的特征矩阵以四阶张量为例，计算展开矩阵的动态增量更 新后的特征矩阵具体的计算步骤如下：

a)需要首先对进行列变换，得到像矩阵那样的形式，以第4模式展开矩阵为例，需要对进行矩阵转置操作，记

b)根据公式对张量F的第N模式展开矩阵F_(N)进行计算的到矩阵Y；

c)对矩阵Y进行秩为R_N的SVD运算：(U_Y,∑_Y,V_Y)＝SVD(Y,R_N)，得到三个特征矩阵U_Y,∑_Y,V_Y；

d)将U_t^(N)，Σ_t^(N)，V_t^(N)与U_Y,∑_Y,V_Y进行计算得到新的特征矩阵具体的计算公式如下：

得到张量A^*按照第N模式展开得到展开矩阵在t+1时刻的特征矩阵

2.6)分别提取张量A^*按照每一模式展开得到的展开矩阵进行动态更新计算后的特征矩阵：

3.如权利要求2所述的所述的一种基于动态增量更新的上下文推荐方法，其特征在于：所述步骤3)当对用户进行物品推荐的时候，根据更新后的特征因子，计算用户与物品之间的评分值，将评分值较高的物品作为用户可能会喜欢的物品推荐给用户，具体实现过程为：

根据得到的特征矩阵以及特征核心张量g_t，按照如下的公式对张量A^*进行重构：假设在构建张量的时候，用户为第1模式，物品为第2模式，上下文信息为第3模式，计算用户u在上下文环境c对物品i的评分值为R_uic＝B_uic，假设R_uic为用户u对物品i的喜欢程度，将对几个物品进行排序，取排名前几的物品推荐给用户。