[发明专利]基于epsilon反馈算法的推荐系统冷启动方法

说明书

本发明公开了一种基于epsilon反馈算法的推荐系统冷启动方法，将免疫反馈模型引入Epsilon‑greedy算法，利用免疫反馈模型动态调整epsilon值，首先将所有的物品当前用户的点击情况初始化为0，即让每个要推荐给用户的物品没有先验知识；然后根据用户点击推荐物品的结果更新epsilon值，并根据更新的epsilon值选择物品推荐给用户。本发明利用免疫反馈模型的变化使epsilon值能够在短时间内快速升高，让算法快速收敛，同时又能够在算法收敛时让epsilon值快速降低，以较小的概率去“探索”用户其他偏好，利用已经“探索”到的用户偏好为用户进行推荐，以达到更好的推荐效果。和现有算法相比，本发明在平均点击率、点击总数以及选择到最优值的概率3个指标上的表现都更优。

技术领域

本发明涉及一种推荐系统的新用户冷启动方法，属于计算机信号处理领域。

背景技术

随着电子商务以及社交媒体的流行，现有的电子商务和社交媒体网站通常都面临着严重的信息过载问题。推荐算法作为解决信息过载的有效手段之一，利用用户与网站的交互记录为用户推荐其可能喜欢的物品。但是当新用户登录到系统中时，由于他们没有或者只有少量购买记录或浏览记录，推荐系统很难为他们进行合理的推荐。推荐系统如何为新用户进行推荐的问题称为新用户冷启动问题

传统的推荐算法有协同过滤算法、基于内容的推荐算法以及混合推荐算法三种。协同过滤算法可以利用用户的行为记录，计算用户之间的相似度或者物品之间的相似度来进行推荐。但由于新用户没有或者只有少量的行为记录，协同过滤算法难以为新用户进行很好的推荐。基于内容的推荐算法首先提取用户或者物品的特征，根据用户之间或者物品之间特征的相似度来进行推荐。但是新用户进入系统时可能没有任何特征或者只有少量特征可以提取，因此基于内容的推荐算法也很难奏效。混合推荐算法是指将多种推荐算法有机地结合起来以达到扬长避短的效果，但实际应用表明混合推荐算法也不能很好地解决新用户冷启动问题。

目前有很多学者对新用户冷启动问题进行了深入的研究，提出了若干解决冷启动问题的算法。其中，最简单的算法采用随机推荐方式，当新用户进入系统中时，推荐算法在物品库中随机选择若干个物品推荐给用户，这种方法没有利用用户与系统的任何交互信息，推荐结果往往无法令用户满意。此外还有人提出了基于偏好的推荐算法，算法利用当前登录用户的偏好信息，搜索出一批与当前登录用户相近的用户，然后通过领域相关度、评价相似度等对前面的相似用户进行筛选，选择出与当前登录用户最相近的一批用户，根据这批筛选出的用户的偏好信息为登录用户进行推荐。该算法相对于传统协同过滤算法在冷启动问题上有一定改进，但是还不能解决完全没有任何信息的新用户冷启动问题。

在这种情况下，在线地利用用户反馈并且根据用户反馈不断地提高算法的推荐效果就变得非常重要。Epsilon-greedy算法能够充分的使用用户反馈不断地提高算法的推荐效果，但是传统的Epsilon-greedy算法的epsilon值是固定的。如果epsilon较小，算法在短时间内不容易“探索”到用户的潜在兴趣导致算法的收敛速度很慢，但是随着时间的增长在“探索”到用户的兴趣后，能以很大的概率去利用已经“探索”到的用户兴趣进行推荐，从而达到更好的推荐效果。如果epsilon较大，虽然算法能够更快的收敛，在较短时间内“探索”到用户的兴趣，但是在“探索”到用户兴趣后仍然保持很大的概率去“探索”，而不是根据已经“探索”到的用户兴趣进行推荐，这会导致算法的推荐效果差。

发明内容

发明目的：针对传统Epsilon-greedy算法中epsilon值设置困难的问题，本发明提出一种基于epsilon反馈算法的推荐系统冷启动方法，利用免疫反馈模型来动态调整epsilon值，使算法能够更快地收敛。

技术方案：本发明提出一种基于epsilon反馈算法的推荐系统冷启动方法，将免疫反馈模型引入Epsilon-greedy算法，利用免疫反馈模型动态调整epsilon值，具体包括如下步骤：

步骤1:将所有的物品当前用户的点击情况初始化为0，即让每个要推荐给用户的物品没有先验知识；