[发明专利]基于双向加权值及用户行为的动态推荐及加噪方法

说明书

本发明公开了一种基于双向加权值及用户行为的动态推荐及加噪方法，通过引入面向用户的加权值记录方式与面向事物的加权值记录方式，使得算法只需运行一次即可完成一个包含复杂感情的预测，不用反复调用，大大降低时间复杂度，提升推荐效率。同时在预测的过程中通过本发明提出的加噪机制，防止产生“趋势集中现象”，保证推荐结果的质量。

技术领域

本发明涉及计算机领域，特别涉及一种基于双向加权值及用户行为的动态推荐及加噪方法。能够有效解决现有推荐算法存在的无法定量测算用户情感与推荐结果反复迭代后产生“趋势集中现象”等问题。

背景技术

随着互联网的快速发展，互联网内容呈爆炸式增长，内容产出速度远远超过用户的接受范围。如何通过合理的算法，在用户有限的接受范围内，向其推荐最适合用户的内容成为当下研究热点。

同时，在现有的推荐算法中，随着对推荐结果进行反复迭代，最终结果趋于某一固定值，这种现象称为“趋势集中现象”。如美国加利福尼亚大学Fischbach 所著《厌倦分析(Tired Analyses)》等文献所述，“重复面对相似事物易产生厌倦心理”，“趋势集中现象”产生的固定内容也极易引发用户反感。如何在推荐算法中引入合理的加噪机制也成为当务之急。

潜在因子推荐策略是一种由美国麻省理工大学在进行统计关系学习研究时提出的高效推荐策略(Statistical Relational Learning,SRL)，它是一种利用矩阵联系实体与属性的一种高效推荐策略。通过矩阵分解能把评分矩阵分解为用户(P)、项目潜在因子矩阵(Q)。P、Q点乘即可得到预测矩阵

传统的潜在因子推荐算法只能预测用户对某一事物是否可能感兴趣，而不能描述对该事物的感兴趣程度；而为了描述用户感兴趣程度，则需要多次运行该算法。随着属性与事物的增多，该算法整体的时间复杂度成指数级增长，造成了系统整体的效率低下。

在传统的潜在因子推荐算法中，只能通过该算法预测用户对某一事物是否可能喜欢，而不能描述对该事物的喜欢程度。

发明内容

有鉴于此，本发明所要解决的技术问题是提供一种基于双向加权值及用户行为的动态推荐及加噪方法。通过引入面向用户的加权值记录方式与面向事物的加权值记录方式，使得算法只需运行一次即可完成一个包含复杂感情的预测，不用反复调用，大大降低时间复杂度。同时在预测的过程中通过本发明提出的加噪机制，防止产生“趋势集中现象”，保证推荐结果的质量。

本发明的目的之一是提出一种基于双向加权值及用户行为的动态推荐方法，将传统推荐算法从只能描述喜欢或不喜欢的单维度，通过引入双向加权值，拓展为可描述喜欢程度的多维度模型；本发明的目的之二是提出一种在目的一基础上进行的加噪机制，在目的一的基础上，通过高斯分布生成的随机扰动，对不同属性的喜欢程度，在合理范围内进行合理加噪，在保证推荐结果精度的同时防止产生“趋势集中现象”。

本发明的目的之一是通过以下技术方案来实现的：

本发明提供的一种基于双向加权值及用户行为的动态推荐方法，包括以下步骤：

S1：初始化方法，建立项目模型；

S2：从数据库读取记录了用户行为的矩阵R；

S3：新建用户-因子加权值矩阵P与事物-因子加权值矩阵Q；

S4：对用户行为矩阵R进行矩阵分解，利用SVD矩阵算法分解分别产生P、 Q矩阵，使得足R＝PQ^T；

S5：对用户-因子加权值矩阵P进行加噪；

S6：将加噪后的P与Q点乘，获得生成的加噪后的预测矩阵

S7：返回推荐结果方法结束。