[发明专利]一种基于社会化卷积矩阵分解的文档上下文感知推荐方法

说明书

本发明公开了一种基于社会化卷积矩阵分解的文档上下文感知推荐方法，该方法首先利用卷积神经网络(CNN)捕获物品描述文档的上下文信息，并将获得的上下文特征向量和高斯噪声一起作为项目的潜在向量；然后利用用户的兴趣爱好更容易受到其所信任的朋友的影响(具有直接链接关系)的特点，通过计算其好友的潜在特征向量的平均值来确定目标用户的潜在特征向量；最后根据用户和项目的联合概率分布函数预测出用户对项目的评分信息。该方法以概率的角度将CNN无缝集成到基于矩阵分解技术的社会化推荐(SocialMF)中，这使得它能在学习过程中进一步识别出与目标用户具有信任关系并且兴趣比较接近的朋友，从而达到优化推荐结果的目的。

技术领域

本发明涉及协同过滤推荐技术领域。具体涉及一种基于社会化卷积矩阵分解的文档上下文感知推荐方法。

背景技术

推荐系统作为个性化服务的重要实现技术之一，其中，推荐算法是整个推荐系统的核心，决定了推荐系统性能的优劣。现在主流的推荐系统主要包括：基于内容的推荐、协同过滤推荐、基于知识的推荐和混合推荐。但，随着电子商务服务中用户和项目数量的爆炸性增长，增加了用户对项目评级数据的稀疏性。最终，这种稀疏性降低了传统协同过滤技术的评估预测精度。为了提高推荐系统的精度，很多推荐算法不只是运用评分数据，还包括用户的基本信息，社交信息或项目的描述文本等信息来提高系统的准确率。

近年来，随着诸如Facebook，Twitter等社会媒体的兴起，利用用户间的社会关系进行推荐的方法，逐渐成为推荐领域的研究热点。这类方法在推荐过程中假设用户的决策过程容易受到信任关系或朋友关系的影响，相互信任的朋友之间具有相近的兴趣爱好。例如，Ma等人研究了如何利用用户间的信任关系来进一步提高传统推荐算法的性能，并给出了一种能够将信任关系信息进行融合的概率矩阵分解框架，即提出了一种联合概率矩阵分解(Unified Probabilistic Matrix Factorization,UPMF)方法。然而这些方法都忽略了文本上下文对推荐的影响。

最近，研究者们已经提出了基于文档建模方法，如利用潜在狄利克雷(LDA)主题模型和堆栈去噪自动编码器(SDAE)的方法来利用项目描述文档，诸如评论，摘要或概要的上下文信息。具体来说，Wang等人提出的协作主题回归(CTR)，其结合了主题建模(LDA)和协同过滤的概率方法。还有学者提出了不同的CTR，将LDA整合到协同过滤中，以不同的集成方法分析项目描述文档。最近，Wang等人提出了将SDAE集成到概率矩阵分解(PMF)中的协同深度学习(CDL)，从而在评分预测精度方面产生更准确的潜在模型。然而这些方法没有考虑到用户之间信任关系的影响。如何有效利用项目的文档上下文信息和用户的信任关系来提高推荐的成功率和准确率，是目前亟待解决的问题。

发明内容

为了提高评分预测的准确性从而有效的提高推荐的成功率和精准度，本发明的目的在于提供一种基于社会化卷积矩阵分解的文档上下文感知推荐方法。该方法首先生成有效反映项目描述文档的上下文信息的项目潜在模型，并以概率的角度将CNN无缝集成到基于矩阵分解技术的社会化推荐中，这使得它能在学习过程中进一步识别出与目标用户具有信任关系并且兴趣比较接近的朋友，从而达到优化推荐结果的目的。

为了实现上述目的本发明采用如下技术方案：一种基于社会化卷积矩阵分解的文档上下文感知推荐方法，包括以下步骤：

S1：收集用户的基本信息数据集X，并进行了预处理；

S2：将原始的文档上下文信息通过卷积神经网络(CNN)架构中的嵌入层转换为数字矩阵D；

S3：利用S2生成的数字矩阵D，通过卷积层提取出上下文权重W；并提取出具有代表性的特征，通过构建固定长度特征向量的池操作来处理可变长度的文档；

S4：经过S2，S3得到的每个文档的潜在向量S_j作为平均值可以得到项目的潜在特征向量；