[发明专利]一种利用高维辅助信息修正的内容推荐方法及推荐系统

说明书

本发明公开了一种利用高维辅助信息修正的项目推荐方法，包括收集用户对项目的反馈行为和项目的高维辅助信息；建立基于项目相似度计算的目标函数及约束条件；利用局部保留投影方法，将所述的高维辅助信息的特征矩阵进行降维操作，映射为所述高维辅助信息的投影矩阵，并代入所述的目标函数；计算出所述的投影矩阵、项目相似度矩阵和用户对项目的预测评分矩阵；根据所述的预测评分矩阵，向用户推荐评分排名靠前的项目。本发明充分利用项目的高维辅助信息，提升了推荐方法及系统的准确度，将局部投影方法融入推荐模型的方法，同时提出了一种联合迭代优化的计算方法，有效地避开高维数据的缺点，改进推荐方法在实际应用中精度和效率。

技术领域

本发明属于互联网智能推荐技术领域，具体涉及一种利用高维辅助信息修正的项目推荐方法及推荐系统。

背景技术

为了帮助用户识别最适合个人特点的项目，项目排序任务中广泛使用了TOP-N推荐方法。其中代表性的方法包括了基于项目的k-最近邻方法，稀疏线性方法（SLIM）等等。在协同过滤算法中，基于项目的推荐方法已经被证明优于基于用户的推荐方法。基于项目的推荐方法的准确性主要依赖于所计算出的项目相似度的准确性。具体来说，项目相似度主要基于用户反馈来进行计算。传统的用户反馈包括购买记录，排名，评论，点击数等。然而，随着互联网的交互性逐步增强，很多项目中产生了大量的辅助信息，比如电影推荐系统里的电影评论、工作推荐系统里的申请人简历、垃圾邮件检测里的邮件内容、在线购物中的项目评价等。这些辅助信息包含中的大量项目相关特征，由此研究人员研发了众多基于辅助信息的混合算法来增加推荐系统的精确性。然而，这些辅助信息一般都具有高维的特点。例如，项目的文本描述中，如果将每一个在语料库中的词项都作为一维的话，那么整个文档就是高维的。此外，以图片或视频为形式的辅助信息的维度会更加高。现有的方法并没有关注到这一点，导致他们的精度和效率被高维严重制约。本发明关注于高维辅助信息，将高维的辅助信息通过数据规约集成进协同过滤推荐方法中，提出了一种利用高维辅助信息修正的项目推荐方法及推荐系统，利用数据规约的方法，有效地避开高维数据的缺点，大大改进推荐方法及系统在实际应用中精准度表现。

发明内容

本发明的第一目的在于提供一种利用高维辅助信息修正的项目推荐方法。

本发明的第一目的是这样实现的，包括：

步骤S1，收集用户对项目的反馈行为和项目的高维辅助信息；

步骤S2，初始化用户行为反馈矩阵和项目高维辅助信息的特征矩阵；

步骤S3，建立基于项目相似度计算的目标函数及约束条件；

步骤S4，利用局部保留投影方法，将所述的高维辅助信息的特征矩阵进行降维操作，映射为所述的高维辅助信息的投影矩阵，并代入所述的目标函数；

步骤S5，利用迭代收敛计算方法，计算出所述的投影矩阵和项目相似度矩阵；

步骤S6，利用所述的用户行为反馈矩阵和所述的项目相似度矩阵，计算用户对项目的预测评分矩阵；

步骤S7，根据所述的预测评分矩阵，向用户推荐评分排名靠前的项目。

本发明的第二目的在于提供一种利用高维辅助信息修正的项目推荐方法的项目推荐系统。

本发明的第二目的是这样实现的，包括：

信息获取模块，信息规整模块，模型计算模块，评分计算模块，项目推荐模块，所述的信息获取模块用于收集用户对项目的反馈行为和项目的高维辅助信息；

所述的信息规整模块用于将信息获取模块获取到的信息，规整为用户行为反馈矩阵和项目高维信息的特征矩阵；