[发明专利]一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法

说明书

一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法，通过脑电信号数据计算用户情感倾向性并将这种隐式反馈作用于用户所浏览的商品的偏好打分上，在推荐流程中，将脑电信号数据的分类结果纳入计算范畴中，进而提高推荐系统的推荐准确率。采用本发明深度挖掘用户偏好的推荐方法，用户可以从过载的信息数据中快速找到自己所需。另一方面，随着脑电设备的小型化、产品化，本发明提出的推荐方法结合脑机接口领域专业知识，为推荐系统的下一步发展提出了一个新的方向。

技术领域

本发明属于信息推荐和模式识别技术领域，具体涉及一种利用脑电信号辅助偏好获取协同过滤推荐系统及方法。

背景技术

情绪往往涉及到人的切身需求和主观态度，往往与其他心理过程有着复杂的相互关系，是思想、感觉以及行为的综合状态。中国自古就有“喜怒哀乐悲恐惊”七情之说。Lange等人根据愉悦度和唤醒度提出了基于二维空间的情绪分类模型，这样，人的不同情绪体验都可以通过这两个维度映射到二维情绪空间中。

大脑是人类器官中最为复杂的一部分，它蕴含着人体丰富的生理和心理信息，近年来，随着现代神经科学关于脑认知过程信号获取及处理技术的不断进步，基于中枢神经系统的情绪识别方法也成为研究的热门。该方法主要通过分析不同情绪状态下大脑发出信号的差异来对情绪进行识别。大脑信号相比于其他生理信号更容易反应出人真实的情绪状态，经过有效的处理后，识别率较高。常见的基于中枢神经系统的识别方法主要使用的手段包括功能核磁共振(fMRI)、脑电(EEG)、功能性近红外光谱成像(fNIRS)。这方面，基于脑电的情绪研究开展较早。早期人们通常在脑电的波形以及节律性方面来对大脑的情绪机制进行研究。研究成果主要体现在以下几个方面：一是不同情绪状态在大脑上的激活区具有非对称特性，如有人发现大脑前额叶的不对称现象与情绪效价具有密切关系；其次，脑电的节律性在情绪研究中也得到了充分体现，例如，Sammle等人通过对音乐诱发情绪的脑电信号分析发现，欢快的音乐能在额中区引起更多的波(1-4Hz)，国内赖永秀等人也发现了左右额叶波(8-12Hz)与正负情绪的相关性；通过EEG信号进行情感识别得到了越来越多人的认可，EEG信号是检测人脑活动的一种极为有效的生理活动，但是它属于微弱的生物电信号，容易受到背景噪声的影响，因此收集到的EEG信号需要进行处理，首先是特征提取，将高维的原始EEG信号进行降维，常见的特征提取方法有主成分分析、独立分量分析和共空间模式；其次是特征分类，即将提取好的特征向量按相应的映射关系来决定该向量的所属类别，常见的分类器有支持向量机、K近邻和人工神经网络。

推荐系统是近年来的一个热门领域。它为用户解决了信息过载问题，找到用户感兴趣的物品。承担了在识别用户喜爱偏好的基础上，使用户避免信息“超载”所带来的麻烦。推荐系统广泛存在于各类网站中，作为一个应用为用户提供个性化的推荐。它需要一些用户的历史数据，一般由三个部分组成：基础数据、推荐算法系统、前台展示。基础数据包括很多维度；推荐算法系统主要是根据不同的推荐诉求有多个算法组成的推荐模型；前台展示主要是对客户端系统进行响应，返回相关的推荐信息以供展示。信息推荐中的信息是指展现给用户观看的任何信息，包括图片、文字、视频、游戏等，推荐的效果则是指这些信息对用户产生的吸引力和心理反映，如感到惊奇，厌恶，高兴等，这些效果进一步导致用户的偏好行为，因此可以利用这些评价作为反馈来改进信息的推荐方法。

协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaborative filtering)，和基于项目的协同过滤算法(item-based collaborative filtering)。简单的说就是：人以类聚，物以群分。在本专利中，主要采用基于物品的协同过滤算法。它使用用户对物品或者信息的偏好，发现物品与物品之间的相似性，然后根据用户的历史偏好信息，将类似的信息推荐给用户。