[发明专利]一种面向完全冷启动的上下文自动编码推荐方法及系统

说明书

本发明公开了一种面向完全冷启动的上下文自动编码推荐方法及系统，先将老用户的各类上下文信息进行编码，再将编码后的编码向量串联起来，作为输入向量输入到上下文感知推荐器中；上下文感知推荐器为每个老用户的每个邻居设置一个局部矩阵，用于表达上下文‑反馈信息之间的关联，使得每个老用户的反馈信息能够根据用户档案和局部矩阵而计算获得；最后根据新用户与老用户之间的档案关联度，计算出新用户对应的n个邻居老用户，以新老用户档案关联来约束老用户的反馈信息，计算新用户反馈信息并得到新用户的冷启动推荐列表。采用本发明实施例能挖掘新老用户之间的上下文关联关系，解决新用户推荐问题，提高完全冷启动推荐的准确性。

技术领域

本发明涉及推荐系统领域，尤其涉及一种面向完全冷启动的上下文自动编码推荐方法及系统。

背景技术

在推荐系统中，冷启动（Cold-Start）问题由用户行为（例如点击、评分、点赞等）缺失引起。具体地，冷启动问题可以分为完全冷启动和不完全冷启动，习惯上将完全冷启动问题称为“新用户问题”，因为新用户没有在系统中发生过任何行为。

现有解决新用户问题主要是搜集额外的信息来辅助推荐，例如在推荐前进行用户问卷调查或者获取用户档案与物品属性。这些额外的信息被称为上下文（Context），使用上下文信息进行推荐称为上下感知推荐，如冷启动版本的矩阵分解模型（CoMF）或冷启动版本的稀疏线性方法（CoSLIM）。以CoMF为例，由老用户的上下文与其反馈信息构建权重矩阵分解模型，再结合新用户的上下文预测出新用户的反馈情况，再筛选出前N个反馈分数高的物品进行推荐。此外，在实际应用中，由于用户上下文信息量可能很大，可以使用类似主成分分析（Principal Component Analysis, PCA）的技术压缩用户上下文，在高维数据中提取低秩的社会化元数据，提高稀疏数据的处理效果。

现有的技术方案通过建立用户上下文和用户反馈之间的联系来预测新用户反馈，需要额外的信息进行辅助，无法解决完全冷启动的问题，而且没有挖掘老用户与新用户之间的上下文的关联，更不用说考虑新用户和老用户上下文之间的不对称性。如老用户的上下文包括：1用户档案（如年龄、性别、朋友等）；2用户反馈的信息（如点击、评分、评论日期等）；3与用户反馈相关的物品上下文（如物品类别、位置、物品评价等）。相比之下，新用户上下文仅仅包括了用户档案，因为新用户还未有任何反馈。新老用户之间的不对称性不仅会造成大量有用信息的浪费，而且会造成预测结果的偏差，使得推荐不准确。

发明内容

本发明实施例提出一种面向完全冷启动的上下文自动编码推荐方法及系统，能挖掘新老用户之间的上下文关联关系，解决新用户推荐问题，提高完全冷启动推荐的准确性。

具体地，本发明实施例提供一种面向完全冷启动的上下文自动编码推荐方法，包括：

按照预设的顺序，依次对若干个老用户的各类上下文信息进行编码，获得每类上下文信息的编码向量，并将同一个老用户的各编码向量按照预设的方式串联起来，分别获得所有老用户的输入向量；其中，所述各类上下文信息包括用户档案、用户反馈信息、反馈相关的物品上下文；

将所有老用户的输入向量作为输入，为每个老用户的每个邻居设置一个局部矩阵；所述局部矩阵用于表达上下文-反馈信息之间的关联，使得每个老用户的反馈信息，能够根据用户档案和所述局部矩阵而计算获得；

计算所有老用户和新用户之间的用户档案关联度，得到所述新用户的n个邻居老用户；n为正整数；

以新老用户档案关联来约束n个邻居老用户的反馈信息，计算新用户反馈信息并得到新用户的冷启动推荐列表。

进一步的，所述按照预设的顺序，依次对若干个老用户的各类上下文信息进行编码，获得每类上下文信息的编码向量，具体为：