[发明专利]一种基于用户评分分解的推荐系统

说明书

本发明公开了一种基于用户评分分解的推荐系统，包括数据预处理模块、矩阵分解模块、评分预测模块，协同推荐模块，其中数据预处理模块从电子商务平台的数据库中获取不同用户对不同商品的评分信息，构建用户‑商品评分矩阵表并存储；矩阵分解模块通过对多模型同时训练的方式，获得对用户评分分解的权重值；评分预测模块利用矩阵分解模块获取的权重值对原始评分矩阵进行分解，通过再次训练的方式得到每一个部分的评分预测值，最后将每个部分的评分预测值之和作为评分预测结果存储在数据库中；协同推荐模块利用评分预测模块计算得到的评分预测结果向用户进行推荐。本发明能在用户历史数据较少的情况下，实现快速并准确地为用户提供个性化推荐服务。

技术领域

本发明属于机器学习领域中的推荐系统研究领域，具体涉及一种通过分解用户评分挖掘用户兴趣偏好来进行推荐的推荐系统。

背景技术

随着现在信息化产业地不断发展，互联网技术的日新月异，人们已经进入到了一个信息爆炸的时代。每天面对着巨大的信息量，导致用户无法从中快速地寻找到自己想要的信息，即说到的信息过载现象。

正是由于信息量地迅速攀升，导致了推荐系统的诞生。推荐系统中的推荐算法通过对用户大量的历史行为(如浏览，点击，评分，评论)进行分析，为用户从浩如烟海的数据中寻找出所需要的产品，极大程度地解决了找数据难的问题。目前，推荐系统已经被广泛地应用于如淘宝，京东，亚马逊等国内外电商平台，在更加方便地服务客户的同时，也大幅度地提高了提供电商平台的公司的利润。

矩阵分解算法(MF)，作为一种高效且准确的推荐算法，自2007年Netfilx推荐大赛被提出以来，就得到了国内外众多学者的关注，并在工业界得到了广泛地应用。矩阵分解算法的核心是将用户-商品评分矩阵表R分解成用户-偏好矩阵X和商品-属性矩阵Y，并用矩阵X与矩阵Y转置的乘积近似地表示用户-商品评分矩阵表R。这种方法相较于原来的最近邻推荐算法而言，优势在于计算速度快，预测准确性高，在数据稀疏的情况下也能表现出不错的效果。之后，又有学者基于矩阵分解模型提出了带有偏置的矩阵分解算法(BiasedMF)，该算法在原算法的基础之上考虑了用户个体评分尺度与商品固有属性对最终结果的影响，经过实验证明，在推荐的准确性上相比于原算法有明显的提升。但是其依然存在如容易出现过拟合的问题，由于过分重视对单个训练评分的逼近，会造成模型在测试集上的泛化能力较差。同时，矩阵分解算法的解释性较差，无法将用户偏好向量和商品属性向量的每一个元素对应到现实生活中的每一个影响用户的购买因素上。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于用户评分分解的推荐系统，能在用户历史数据较少的情况下，实现快速并准确地为用户提供个性化推荐服务。本发明的通用性高，可以适用于大多数的推荐场景。

本发明的一种基于用户评分分解的推荐系统，包括数据预处理模块、矩阵分解模块、评分预测模块和协同推荐模块，各模块具体如下：

数据预处理模块：电商平台的数据库是按行对用户-商品评分进行存储的，每一行存储的是用户对商品的评分。数据预处理模块的主要功能是从电商平台的数据库中按行读取用户对商品的评分信息，读取完成后，将评分信息转化成用户-商品评分矩阵表R，并存储用户-商品评分矩阵表R(可以是电商平台的数据库，也可以是本发明的推荐系统的数据库)，以便于其他模块获取；另外，也可以直接将用户-商品评分矩阵表R发送给矩阵分解模块、评分预测模块。

其中用户-商品评分矩阵表R中每一行代表的是一位用户的信息，每一列代表了一件商品的信息，表中元素(数值)代表不同用户对不同商品的评分r_ui，下标u为用户标识符、i为商品标识符。