[发明专利]一种基于离散多视图哈希的协同过滤推荐方法

权利要求书

1.一种基于离散多视图哈希的协同过滤推荐方法，其特征在于，包括以下步骤：

1)根据不同视图下的数据，构建数据的多视图锚点图表示；

2)结合协同过滤和锚点图，得到学习模型；

3)对得到的学习模型进行求解，得到用户与物品对应的二进制哈希编码；

4)利用得到的哈希编码进行最邻近搜索，计算特定用户对候选物品的偏好程度，返回偏好程度最大的若干个物品作为推荐结果；

所述的步骤1)包括以下子步骤：

1.1)对于训练数据在第i个视图下的行为数据矩阵其中N表示第i个视图下的数据点的数量，d_i表示第i个视图下数据点的维度，利用K-means聚类方法生成T_i个聚类中心，作为该视图下训练数据的锚点，T_i的取值与数据点数量相关；

1.2)将不同视图下的训练数据进行水平连接得到矩阵X＝{X¹,X²,…,X^M}，其中M表示视图的数量，d_total表示所有视图下训练数据的维度之和；

1.3)对于每个训练数据，搜索其在各视图下最近邻的若干个锚点，组成集合利用不同视图下的最近邻锚点集合构建对角矩阵其中表示第i个视图下j个锚点组成的集合；

1.4)对于每个数据点，利用Nesterov梯度方法和投影梯度方法求解优化问题其中表示该数据点到所有最近邻锚点的转移概率，初值均为x_i表示矩阵X的第i行；

1.5)将数据点到非最近邻锚点的转移概率设定为0，根据得到的各数据点到最近邻锚点的转移概率，得到所有数据点到所有锚点的转移概率矩阵其中T_total表示所有视图下锚点数量的总和,这个转移概率矩阵就是所构建的数据的多视图锚点图表示；

所述的步骤2)包括以下子步骤：

2.1)计算得到转移概率矩阵P的列和向量

2.2)构造对角矩阵Λ＝diag(V)，

2.3)计算相似度矩阵S＝PΛ^-1P^T；

2.4)计算矩阵S的度矩阵C＝diag(Sl),l＝{1,1,…,1}^T,令L＝C-S；

2.5)得到tr(ULU^T)s.t.U∈{0,1}^K×N，这就是通过锚点图得到的学习函数，其中tr(.)表示迹函数，K表示第K个候选物品的编号；

2.6)记评分数据W＝{w_pq},p＝1,2,...,n；q＝1,2,...,m，n为用户数量，m为物品数量，w_pq代表用户p对物品q的评分；

2.7)得到最终学习模型约束条件为Bl＝0,Dl＝0,BB^T＝nI,DD^T＝mI，其中b_p和d_q分别为矩阵B和D的向量；

B∈{±1}^r×n,D∈{±1}^r×m分别为用户和物品的二进制编码矩阵，I为单位矩阵，L₁和L₂分别表示由B和D经过步骤2.1)至2.4)计算得到的结果，r为编码长度，α、β均为经验参数。