[发明专利]基于带权贝叶斯个性化排序的强时序性项目推荐方法及系统

权利要求书

1.一种基于带权贝叶斯个性化排序的强时序性项目推荐方法，其特征在于，包括以下步骤：

S1：针对某一强时序性项目，获取用户、已交互项目和交互时间数据，对获取到的数据进行预处理，生成隐式反馈数据集；所述的隐式反馈数据集中包含所有用户对两个不同项目喜好程度的偏序关系三元组；

S2：根据用户和项目的交互记录，得到每一个偏序关系三元组中两个项目的相对时序信息，根据相对时序信息确定每一个偏序关系三元组的可信度；每一个偏序关系三元组的可信度与三元组中两个项目的相对时序信息的差值成正比；

S3：根据步骤S2生成的隐式反馈数据集对预设的推荐模型进行训练，在训练过程中采用带权贝叶斯个性化排序的方法，将每一个偏序关系三元组的可信度引入到目标函数中，完成推荐模型的训练；

所述的推荐模型在训练过程中将目标函数最小化，所述的目标函数为：

其中，(u,i,j)表示偏序关系三元组，用户u与项目i已交互、与项目j未交互；D_s表示由偏序关系三元组构成的训练集，c_ij表示三元组(u,i,j)的可信度，σ是sigmoid函数，λ_θ是正则化系数，表示用户u对项目i的喜好程度预测值，表示用户u对项目j的喜好程度预测值，θ是推荐模型的模型参数，‖·‖²是范数；

所述的推荐模型采用矩阵分解模型，通过训练矩阵分解模型中的用户矩阵W和项目矩阵H以最小化：

其中，W_u表示用户u的潜特征向量，H_i表示项目i的潜特征向量，H_j表示项目j的潜特征向量；

矩阵分解模型在训练过程中采用梯度下降的方法，公式为：

其中，表示用户u对项目i和项目j的喜好程度预测值的差值；η是学习率，←表示参数更新符号；

S4：训练结束后，得到预测的用户项目矩阵，根据用户项目矩阵中用户对于未交互项目的喜好程度从高到低向用户推荐项目。

2.根据权利要求1所述的一种基于带权贝叶斯个性化排序的强时序性项目推荐方法，其特征在于，所述的步骤S2具体为：

针对某一强时序性项目，获取用户、已交互项目和交互时间数据；

遍历用户已交互项目和未交互项目，生成表示同一用户对两个不同项目喜好程度的偏序关系三元组(u,i,h)作为训练集；在偏序关系三元组(u,i,h)中，表示用户u与项目i已交互而与项目j未交互。

3.根据权利要求1所述的一种基于带权贝叶斯个性化排序的强时序性项目推荐方法，其特征在于，所述可信度的计算公式为：

其中，t_i是项目i的相对时序信息，t_j是项目j的相对时序信息，为(t_j-t_i)的均值，为(t_j-t_i)的标准差，μ是超参数，c_ij是偏序关系三元组(u,i,j)的可信度。

4.根据权利要求1所述的一种基于带权贝叶斯个性化排序的强时序性项目推荐方法，其特征在于，某一项目的相对时序信息为对该项目已交互的用户数量。

5.根据权利要求1所述的一种基于带权贝叶斯个性化排序的强时序性项目推荐方法，其特征在于，所述强时序性项目为题目、音乐、书籍或电影。