[发明专利]一种基于项目的迁移学习推荐方法及其推荐装置

说明书

技术领域

本发明涉及人工智能，数据挖掘，推荐系统，知识推荐，迁移学习等领域，尤其涉及一种基于项目的迁移学习推荐方法。

背景技术

推荐系统是由外国学者首先提出的，它通常包括三大部分：用户信息收集和偏好分析部分、推荐算法部分和推荐实施部分。其中推荐算法部分是整个推荐系统的核心，它通常可分为三种：基于内容的推荐算法(Content-BasedRecommendationAlgorithm)、协同过滤推荐算法(CollaborativeFilteringRecommendationAlgorithm)和混合推荐算法(HybridRecommendationAlgorithm)。其中协同过滤推荐算法目前应用较为广泛。

基于内容的推荐算法结合概率统计，机器学习等技术，利用用户信息建立用户模型来表示用户偏好，利用资源信息建立资源模型表示资源特征，将用户偏好与资源特征进行比较，生成推荐。基于内容的推荐算法具有独立性和透明性的优点，它不需要过分依赖其他用户的意见，即使系统中只有一个用户也可以为用户进行推荐，即使新增某一资源也可以在得到该资源特征后将其推荐给用户。但基于内容的推荐算法在提取资源的特征时较为困难，尤其是视频等，这使得它在应用时收到了一定的限制。

协同过滤推荐算法是1992年由Goldberg、Necols、Oki及Terry等人提出的。也是目前最流行最成熟的推荐算法。协同过滤算法的主要思想有：和某用户相似的用户喜欢的资源，该用户很可能也喜欢；某用户喜欢某资源，他很可能也喜欢与该资源相似的其他资源。即用户们可以齐心协力通过自己在网站上的行为，如对资源的评价、浏览等，互相帮助挖掘过滤出自己感兴趣的内容。协同过滤推荐算法自动化程度高不过分依赖人为的干预，同时能够处理非结构化的对象。但却有冷启动的问题，当新用户或新项目加入时很难做出正确的推荐。协同过滤推荐算法又可分为基于用户的协同过滤算法，基于项目的协同过滤算法和基于模型的协同过滤算法。

其中，基于项目的协同过滤推荐算法主要研究项目与项目之间的相似性关系，根据用户原有的项目喜好，挑选出相似项目，生成推荐。它适合项目较少而用户较多的环境，对于每个项目具有的有效评价和信息越多就越容易准确找到项目与项目之间的相似性关系。

知识推荐是推荐系统的一种，即推荐的内容为知识。它目前研究仍处于起步阶段，并且大多数研究都基于在线网络学习平台。JieLu曾提出个性化学习推荐系统的框架，为不同风格、需求、背景的学生提供合适其学习的材料。Chih-Ming和他的同事们曾提出一个基于项目反应理论的个性化网络学习系统，将学习者的信息和课程的信息独立存储在数据库中。

综上来看，在线网络学习平台中个性化建设已经得到了研究者的充分重视，并相应的展开一些研究，但这些研究主要集中在通过学习者学习记录，定位学习者正在学习的知识资源。而仅给学习者推荐同一类型，同等水平，与所学知识及其相近的知识，难以满足学习者学习要求的，同时也无法进一步挖掘学习者的兴趣与潜力。

发明内容

本发明提供了一种基于项目的迁移学习推荐方法及其推荐装置，本发明提高了推荐算法的精确度，推动建设更加智能化个性化的互联网环境，详见下文描述：

一种基于项目的迁移学习推荐方法，所述迁移学习推荐方法包括以下步骤：

分别建立辅助域和目标域的用户-项目评分矩阵；标准化辅助域和目标域的用户-项目评分矩阵；

分解标准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵；

利用项目特性矩阵V扩充目标域的用户-项目评分矩阵；根据扩充后的目标域的用户-项目评分矩阵生成推荐。

其中，所述标准化辅助域和目标域的用户-项目评分矩阵具体为：

若辅助域的用户-项目评分矩阵为二元评分，目标域的用户-项目评分矩阵为数值型评分，将目标域的用户-项目评分矩阵转化为0-1区间的数值型评分；

若辅助域的用户-项目评分矩阵为二元评分，目标域的用户-项目评分矩阵为a-b区间数值型评分，将目标域的用户-项目评分矩阵中的某一评分x转化为(x-a)/(b-a)。

其中，所述分解标准化后的辅助域的用户-项目评分矩阵，获取项目特性矩阵具体为：

采用规范化的奇异值分解方法分解标准化后的辅助域的用户-项目评分矩阵R_aux；

R_aux＝μ+b_i+b_j+U_iV_j