[发明专利]基于高斯嵌入表示技术的上下文感知推荐方法

说明书

本发明公开了一种基于高斯嵌入表示技术的上下文感知推荐方法。本发明包括以下步骤：收集用户的上下文感知行为记录以及物品的属性，然后利用高斯嵌入表示技术从收集的数据中学习用户的兴趣向量表示、物品的特征向量表示等，最后基于学习得到的特征向量实施推荐。本发明主要是利用高斯嵌入表示技术对用户兴趣的动态性和物品特征的多模态性进行准确建模，并充分利用用户的上下信息和物品的属性，提高推荐的准确率，进而提升用户满意度。

技术领域

本发明属于数据挖掘、信息检索及推荐技术领域，具体涉及一种基于高斯嵌入表示技术的上下文感知推荐方法。

背景技术

推荐系统可以帮助用户从海量数据中快速找到其感兴趣的内容，从而减轻信息过载的问题。已有推荐方法可以大致分为基于协同过滤和基于内容的推荐方法。多数协同过滤系统(例如矩阵分解)使用单独的特征向量表示用户和物品，但这些向量表示对应于低维空间中单个固定点，无法对推荐系统中的动态性和不确定性进行建模。实际上，用户的兴趣是动态变化的，例如，某个喜欢听摇滚音乐和轻音乐的用户在运动时会倾向于摇滚音乐，而在休息时往往会听轻音乐。并且，物品往往具有包括多种属性在内的复合特征，例如科幻喜剧电影会兼具科幻和喜剧的属性。此外，用户和物品的交互行为往往会受到上下文的影响。因此，如何针对用户的动态兴趣和物品的多模态特征进行有效建模和相似度计算，以及如何准确融合上下文信息，是实现更加准确的推荐的关键。

发明内容

针对现有技术所存在的上述技术问题，本发明提供了一种基于高斯嵌入表示技术的上下文感知推荐方法，能够改善推荐的效果和性能。

本发明包括以下步骤：

10.收集用户的上下文感知行为记录以及物品的属性。

20.利用高斯嵌入表示技术从收集的数据中学习用户的兴趣向量表示、物品的特征向量表示等。

30.基于学习得到的兴趣和特征向量实施推荐。

其中步骤10包括：

101.收集所有用户的行为记录并将其表示为“用户-物品-上下文”三元组集合：R＝{(u，i，c)|用户u与物品i在上下文c下存在交互记录}，U＝{u₁，u₂，...，u_|U|}为数据集中所有||U|个用户的集合，I＝{i₁，i₂，...，i_|I|}为所有|I|个物品的集合。

102.收集物品集合I中所有物品的属性数据A，包括物品类别、物品标签等信息，其中物品i的属性表示为

其中步骤20包括：

201.物品i_m及其属性a_k之间的归属关系建模为高斯概率密度函数乘积的积分：

其中.表示符合均值和协方差分别为μ和∑的高斯分布的向量x，和是物品i_m的特征向量均值和协方差矩阵，和是属性a_k的特征向量均值和协方差矩阵，上述协方差矩阵均为对角矩阵，定义为∑＝diag(σ)，其中是协方差矩阵对角位置上的元素向量。

202.同理，根据所有用户的行为记录，用户u_l在上下文c_n下与物品i_m之间的交互记录建模为：

其中.表示符合均值和协方差分别为μ和∑的高斯分布的向量x，和是用户u_l的特征向量均值和协方差矩阵，是上下文c_n的转换向量，和是物品i_m的特征向量均值和协方差矩阵，上述协方差矩阵均为对角矩阵，定义为∑＝diag(σ)，其中是协方差矩阵对角位置上的元素向量。