[发明专利]一种基于概率矩阵分解的个性化推荐方法、设备、计算机可读存储介质

说明书

本发明公开了一种基于概率矩阵分解的个性化推荐方法，包括：1.计算用户属性相似度；2.计算用户对标签的关注相似度和用户对标签的评分相似度，综合两种相似度产生用户的偏好相似度；3.用户属性相似度和用户偏好相似度按比例相加为1产生最终的用户综合相似度矩阵；4.初始化用户隐性特征矩阵和项目隐性特征矩阵为正态分布，将用户综合相似度矩阵融入到概率矩阵分解模型中；5.迭代计算出用户特征矩阵和项目特征矩阵，产生用户对项目的预测评分矩阵，采用Top‑K排序方法把评分最高的前K个项目作为最终的推荐结果推荐给用户。本发明的优势在于缓解推荐系统中的用户冷启动问题，提高推荐算法的准确度，增强算法的可扩展性。

技术领域

本发明属于个性化推荐技术领域，涉及一种基于概率矩阵分解的个性化推荐方法、设备、计算机可读存储介质。

背景技术

概率矩阵分解模型PMF(Probability Matrix Factorization Recommendation)是在传统的矩阵分解模型中融合了概率论知识，从概率角度预测用户对项目的评分，在大型、稀疏数据集上PMF模型表现良好。

但PMF推荐算法仍存在一些不足：没有充分利用用户信息和物品信息，导致推荐精度不高；没有有效缓解推荐系统中的用户冷启动问题；推荐算法的可扩展性不强。

发明内容

为了解决PMF推荐算法的不足，本发明提供了一种基于概率矩阵分解的个性化推荐方法，充分利用用户信息和物品信息，提高了推荐算法的准确度，有效缓解了用户冷启动问题，增强了算法的可扩展性。

为了实现以上目标，本发明采取如下的解决方案，包括以下步骤：

步骤一：清洗数据集，建立用户属性矩阵，利用用户属性中用户年龄、性别和职业3个度量标准来计算得到用户年龄属性相似度、用户性别属性相似度和用户职业属性相似度，得出最终的用户间的属性相似度；

设用户u的年龄为A_u，用户v的年龄为A_v，则用户的年龄属性相似度计算如下：

设用户u的性别为S_u，用户v的性别为S_v，则用户的性别属性相似度计算如下：

设用户u的职业为O_u，用户v的职业为O_v，则两个用户的职业属性相似度计算如下：

综合以上信息，可以得到最终的用户属性相似度为：

sim_a(u,v)＝αA(u,v)+βS(u,v)+δO(u,v)

其中，α,β,δ∈[0,1]，α+β+δ＝1，分别表示年龄属性、性别属性和职业属性的权重。

步骤二：利用用户对项目的评分信息矩阵和项目标签信息矩阵计算用户对标签的关注相似度和用户对标签的评分相似度，综合两种相似度产生用户的偏好相似度。

用户对项目不同标签的关注相似度如下：

其中，S＝{s₁,s₂,…s_l}表示项目标签集合，项目标签共有l个，I_u,s和I_v,s分别表示用户u和用户v对标签s的评分个数。

用r_u,s表示用户u对标签s的评分，表示用户对所有标签的平均评分，r_v,s表示用户v对标签s的评分，表示用户v对所有标签的平均评分，S_u表示用户u评分过的标签集合，S_v表示用户v评分过的标签集合；则用户对标签评分相似度如下：