[发明专利]一种基于用户偏好的矩阵分解推荐方法

说明书

本发明请求保护一种基于用户偏好的矩阵分解推荐方法，包括步骤：S1，依据用户评分数据，构建用户‑项目评分矩阵和项目偏好程度向量；S2，依据用户评分数据和项目信息数据，构建项目类型矩阵和用户个性化矩阵；S3，利用用户评分矩阵、用户个性化矩阵和项目偏好程度向量，构建用户评分基准矩阵；S4，基于矩阵分解，对用户评分矩阵进行拆分，从而形成用户‑隐语义矩阵P、隐语义‑项目矩阵Q和用户偏好向量bu和项目偏好向量bi；S5，利用梯度下降法，优化用户‑隐语义矩阵P、隐语义‑项目矩阵Q和用户偏好向量bu和项目偏好向量bi；S6，利用矩阵P、Q和向量bu、bi获得预测评分矩阵，将预测评分高的项目推荐给目标用户。本发明提高预测评分精度。

技术领域

本发明属于数据挖掘协同领域，特别是涉及一种基于用户个性化的矩阵分解推荐方法。

背景技术

在如今这个大数据时代，大量的信息映入人们的眼帘，每个人身边都充斥着大量的信息，尤其是在互联网中，包含着人们需要的全部内容，但是“信息过载”问题成为了获取信息的一个待解决的问题，目前的大多数搜索引擎给用户提供的服务是相同的，而个性化服务成为了未来的一个趋势。在这种情况下，推荐系统应运而生。

那么如何有效的将这些信息点对点的个性化推荐给需要的人成为现在研究热点。现如今，推荐系统已经在网上购物、电影、音乐、新闻、社交等领域获得飞速的发展，一个良好的推荐系统，会给用户一种亲切懂我感觉：“太棒了！这就是我想要的！”，以此获得用户信任，这对运营也相当有益，增加用户粘性，活跃度，及提高各种转化率。

其次在实际应用方面可以分为两个层面：

对于商家来说，特定的商家可以利用推荐算法为自己创造价值，不仅有利于促进商家的业绩，还能为商家吸引更多的用户，有助于商家与客户建立长期稳定的关系，提高客户忠诚度，防止用户流失。

对于用户来说，推荐算法可以作为特定推荐系统的核心部分，为用户提供个性化的推荐服务，使用户从浩瀚的信息资源中解脱出来，不仅能够使用户很快地得到其感兴趣的内容，还能节省用户的时间和精力，这就大大地方便了用户，给了用户更好的实际体验。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种提高预测的准确度、降低迭代次数的基于用户偏好的矩阵分解推荐方法。本发明的技术方案如下：

一种基于用户偏好的矩阵分解推荐方法，其包括以下步骤：

S1，依据用户评分数据，构建用户-项目评分矩阵和项目偏好程度向量；S2，依据用户评分数据和项目信息数据，构建项目类型矩阵和用户个性化矩阵；S3，利用用户评分矩阵、用户个性化矩阵和项目偏好程度向量，构建用户评分基准矩阵；S4，基于矩阵分解，对用户评分矩阵进行拆分，从而形成用户-隐语义矩阵P、隐语义-项目矩阵Q和用户偏好向量bu和项目偏好向量bi；S5，利用梯度下降法，优化用户-隐语义矩阵P、隐语义-项目矩阵Q和用户偏好向量bu和项目偏好向量bi；S6，利用矩阵P、Q和向量bu、bi获得预测评分矩阵，将预测评分高的项目推荐给目标用户。

进一步的，所述步骤S1依据用户评分数据，构建用户-项目评分矩阵和项目偏好程度向量具体包括：通过读取用户对不同项目的打分情况，未评分的项目评分为空值，形成一个N×M用户-项目评分矩阵R；其中元素R_(ui，m)表示第i个用户对第m个项目的评分；所述N为用户的总数，M为项目的总数，均为正整数，且i为不大于N的正整数，m为不大于M的正整数；同时根据用户的评分矩阵R计算每个项目均值减去全局均值，获得项目偏爱程度向量其中元素表示第m个项目偏爱程度评分，且m为不大于M的正整数。

进一步的，所述用户-项目评分矩阵形成的矩阵为稀疏矩阵，采用邻接表的形式进行存储，矩阵中1表示包含该类型，0表示不包含该类型；项目偏好程度向量的计算是：使用不同用户对同一个项目打分的情况，计算出该项目的均值减去全局均值作为其项目该类型的一个偏爱程度，同理求出每个项目偏爱程度，最终形成项目偏爱程度向量。