[发明专利]一种基于多维标签与分类排序的推荐算法

权利要求书

1.一种基于多维标签与分类排序的推荐算法，其特征在于，包括以下步骤：

1)对标签数据进行组合构成多维标签信息；

2)利用多维标签信息计算多维标签相似度，融入用户协同过滤中并预测评分，得到推荐候选集1；利用多维标签计算用户相似度，包括以下步骤：

2.1)定义用户集合{u₁,u₂,u₃...u_N}，多维标签集合为{t₁,t₂,t₃...t_K}，其中N为用户数量，K为多维标签集合中标签数量，用户u_j对物品的操作得到用户u_j对标签t_k的操作次数为n_jk，得到用户u_j的多维标签操作向量I_j＝(n_j1,n_j2,n_j3...n_jK)，其中j＝1,2,3,…,N，则得到用户-多维标签操作矩阵I_N×K为：

2.2)利用余弦相似度计算用户u，v的多维标签向量I_u，I_v的相似度，计算公式为：

2.3)使用线性加权的方法在用户协同过滤中综合考虑多维标签信息的相似度，使用参数λ控制多维标签相似度在协同过滤相似度中的权重，用户相似度组成如下面式子所示；

sim(u,v)＝(1-λ)sim1(u,v)+λsim2(u,v)

式中，sim1(u,v)为原始的相似度，sim2(u,v)为多维标签相似度；

2.4)最后根据以下式子计算用户u对物品i的评分得出多个高评分的推荐物品集合；

式中，为活跃用户u的评分均值，r_vi为用户v对物品i的评分，为近邻用户v的评分均值，N(u)为用户u的近邻集合，sim(u,v)为用户u与他的近邻用户v的相似度；

3)利用多维标签信息作为隐式反馈信息输入到矩阵分解中并预测评分，得到推荐候选集2，并结合推荐候选集1得到最终推荐候选集；将用户-多维标签操作矩阵I_N×K转化为二元反馈矩阵，输入矩阵分解中，包括以下步骤：

3.1)将多维标签信息转化为二元反馈信息，将用户-多维标签矩阵I_N×K通过下面式子转化为二元的用户-多维标签反馈矩阵；

如果用户操作过某个设定标签，则值为1，反之值为0，在矩阵分解SVD中加入多维标签反馈信息，式子如下：

式中，为预测评分，b_u是用户u的评分偏置，b_i则是物品的偏置项，p_u为用户特征向量，q_i为物品特征向量，N(u)为用户u评过分的物品集合，T(u)为用户u操作过的多维标签集合，y_j为物品j的反馈特征向量，z_a为标签a的反馈特征向量；

3.2)加入矩阵分解中并使用随机梯度下降求解得到用户特征矩阵和物品特征矩阵，通过用户特征矩阵和物品特征矩阵相乘得到评分矩阵，得出多个高评分的推荐物品集合；其中，加入多维标签信息的矩阵分解更新公式如下：

b_u←b_u+γ·(e_ui-λ₁·b_u)

b_i←b_i+γ·(e_ui-λ₁·b_i)

p_u←p_u+γ·(e_ui·q_i-λ₂·p_u)

式中，r_ui为用户u对物品i的真实评分，为预测评分，e_ui为预测误差，b_u是用户u的评分偏置，b_i则是物品的偏置项，p_u为用户特征向量，q_i为物品特征向量，N(u)为用户u评过分的物品集合，T(u)为用户u操作过的多维标签集合，y_j为物品j的反馈特征向量，z_a为标签a的反馈特征向量，λ₁、λ₂为不同的正则化系数，γ是学习速率；

4)将得到的最终推荐候选集输入到逻辑回归分类模型中分类排序，根据输出分值排序得到Top-N推荐列表。