[发明专利]基于多维云和用户动态兴趣的神经网络推荐方法

说明书

本发明涉及信息检索和数据挖掘领域，特别涉及一种基于多维云和用户动态兴趣的神经网络推荐方法，包括：获取用户对项目的评分及用户评分时间并进行预处理；使用预处理后的数据构建基于用户的多维云模型和基于项目的多维云模型，得到基于用户的预测评分和基于项目的预测评分；将基于用户的预测评分和基于项目的预测评分作为训练好的神经网络评分预测模型的输入数据，得到最终预测评分；本发明不仅有效利用用户数据，还改善了个性化推荐方法在数据稀疏场景下存在的弊端。

技术领域

本发明涉及信息检索和数据挖掘领域，特别涉及一种基于多维云和用户动态兴趣的神经网络推荐方法。

背景技术

Internet和Web2.0技术的不断发展给用户产生大量的信息数据，满足了用户在信息化时代对信息的需求，但信息过载给信息消费者和信息生产者带来严重影响，解决信息过载最有效的方法就是推荐系统。

推荐系统作为一种智能信息服务方式，被电子商务、社交网络、电影和视频、音乐、个性化邮件和广告等广泛利用。推荐系统以电子服务个性化技术为代表，它把电子商务网站浏览者的历史行为数据(购买、点击、收藏、评价) 分析计算生成用户的个性化推荐系统，把浏览者变成消费者，并且提高电子商务网站的信息交互能力和建立友好忠诚度。和搜索引擎相比，个性化推荐系统主动分析用户历史行为并研究用户兴趣偏好，进行个性化计算，由系统主动给用户推荐有价值的信息，引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。目前常用的个性化推荐算法是基于内容的推荐、基于社会化的推荐和基于协同过滤的推荐。基于内容的推荐是根据用户历史数据，考察用户与项目的匹配程度。基于社会化的推荐技术是利用在社交网络上用户之间的社交关系，根据直接或间接的社会化关系构建用户兴趣模型。基于协同过滤的推荐技术是利用用户历史行为数据，寻找匹配度高的邻居群体，根据用户邻居群体兴趣对目标用户进行推荐。而基于内容的推荐可分析的内容有限，新颖度差以及新用户需要用户的偏好信息。同时，基于社会化的推荐技术仅挖掘用户之间的好友关系，缺乏对用户自身属性的考虑。因此，基于协同过滤的推荐方法在推荐系统中得到了广泛的研究与应用。

基于协同过滤的推荐技术虽然具有良好的推荐效果，但近年来我们观察到数字信息，资源和在线内容的可用性呈爆炸式增长，用户对项目的评价信息有大量的缺失，造成数据稀疏性问题，从而传统的协同过滤推荐方法已不适应当前规模下的网络。并且因用户个体差异，导致用户评价信息的随机性和模糊性问题，用户评分信息的随机性指用户在特定评分行为下，改变评分行为，用户评分信息的模糊性指用户只能用1-5分描述对项目的评价，这样的表示比较模糊而不准确，没有用定性语言概念表述更准确，从而对评分预测造成准确度低的困难。

发明内容

针对上述问题，本发明提供一种基于多维云和用户动态兴趣的神经网络推荐方法，如图1，包括：

S1、获取用户对项目的评分及用户评分时间并进行预处理；

S2、使用预处理后的数据构建基于用户的多维云和基于项目的多维云模型，得到基于用户的预测评分和基于项目的预测评分；

S3、将基于用户的预测评分和基于项目的预测评分作为神经网络评分预测模型的输入数据，得到最终预测评分。

优选的，所述进行预处理包括设定时间间隔阈值，评分时间大于时间间隔阈值则根据用户的评分时间对用户对项目的评分进行加权处理，否则不做处理，具体表示为：

其中，r_jk表示用户对项目的评分，λ是时间衰减因子，K表示时间间隔阈值， t_now表示用户对项目评分结束的时刻值，t₀表示用户对项目评分开始的时刻值。

优选的，构建基于用户的多维云和基于项目的多维云模型，如图3，包括：