[发明专利]一种融合方面隐式反馈的试题可解释Top-K推荐方法

权利要求书

1.一种融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于包括以下步骤：

步骤1：通过日志系统收集用户的隐式反馈数据，并保存到数据库中；

步骤2：基于用户的隐式反馈信息构建(用户，试题，方面)三元隐式反馈集P、(用户，试题，方面)三元正隐式反馈集P⁺、(用户，试题)二元隐式反馈集Q、(用户，试题)二元正隐式反馈集Q⁺；

步骤3：构建用户隐式方面兴趣；

步骤4：通过最小化损失函数学习得到模型的参数w_m、h_a、h_b，其中w_m表示用户m的因子向量，h_a表示已观察到的试题的因子向量，h_b表示未观察到的试题的因子向量；

步骤5：利用Precision@K和Recall@K评价本方法的性能，其中Precision@K为查准率，Recall@K为查全率，K代表推荐列表的长度；

步骤6：对用户和试题的因子向量进行内积运算，得到重构后的隐式反馈矩阵

步骤7：利用重构后的隐式反馈矩阵为每个用户推荐评分最高的K个试题，同时基于用户对试题的方面兴趣给出推荐试题的解释信息，并一同保存到内存服务器中。

2.根据权利要求1所述的融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于：所述步骤1通过日志系统采集用户的隐式反馈信息包括用户的唯一标识、试题的唯一标识、用户对试题的评论信息，并保存于数据库中，具体为：四元组(u，i，r_ui，t)表示t时刻用户u对物品i的评分记录，四元组(u，i，c_ui，t)表示t时刻用户u对物品i的隐式反馈信息。

3.根据权利要求1所述的融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于：所述步骤2中从数据库中获取用户的反馈信息，并分析用户的评论在方面的正负反馈情况。

4.根据权利要求1所述的融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于：所述步骤3中构建用户隐式方面兴趣：

其中，w_m表示用户偏好向量，共L维，第l维表示用户m对第l个方面的偏好程度；h_n表示试题属性向量，共L维，第l维反映试题n在第l个方面的内在属性。用户m对试题n的方面的兴趣

其中，表示用户偏好因子，表示试题属性因子。用户m对试题n的方面的兴趣

其中，σ(·)代表逻辑斯蒂函数，的取值为(0,1]。当为1时，表示用户m对试题n的方面很感兴趣；当趋近于0时，表示用户m对试题n的方面鲜有兴趣。

5.根据权利要求1所述的融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于：所述步骤4中最小化损失函数学习得到模型的参数w_m、h_a、h_b：

6.根据权利要求1所述的融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于：所述步骤5中利用Precision@K和Recall@K评价本方法的性能：

其中，Rec(m)是根据训练集的数据向用户m提供的推荐列表，Test(m)是用户m在测试集上的试题列表，M表示用户数。

7.根据权利要求1所述的融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于：所述步骤6中对用户和试题的因子向量进行内积运算，得到重构后的隐式反馈矩阵

其中是原始隐式反馈矩阵，是重构的隐式反馈矩阵。是用户因子矩阵，是试题因子矩阵。

8.根据权利要求1所述的融合方面隐式反馈的试题可解释Top-K推荐方法，其特征在于：所述步骤7中利用重构后的隐式反馈矩阵为每个用户推荐评分最高的K个试题，同时基于用户对试题的方面兴趣给出推荐试题的解释信息，并一同保存到内存服务器中。