[发明专利]基于个性化召回算法LFM的图书推荐方法

权利要求书

1.基于个性化召回算法LFM的图书推荐方法，其特征在于：将item定义为图书，user定义为用户，通过历史的用户评分产生模型的输入数据user矩阵和item矩阵，用user矩阵和item矩阵的矩阵乘拟合获得对item的点击矩阵，利用user对item的点击矩阵获得对应的user向量和item向量，利用深度学习中梯度下降的方法；分别用损失函数对user向量的偏导和损失函数对item向量的偏导，以及user向量对item向量的迭代来计算最终图书的推荐评分，同时考虑正反例作为推荐结果；

包括以下步骤：

步骤1，生成user对item的点击矩阵；

通过历史的用户评分作为图书推荐模型的输入数据：分别表示为user矩阵和item矩阵，用user矩阵和item矩阵的矩阵乘拟合获得user对item的点击矩阵；

步骤2，构建图书推荐模型；

利用步骤1产生的user对item的点击矩阵，1代表点击、0代表未点击；user和item的向量维度是自定义的，用user与item作内积的值判断user对item的偏好；

步骤2.1，利用监督学习的思想，图书推荐模型的最终输出为user向量和item向量，记为p_u和q_i；随机初始化图书推荐模型的三个参数，分别为F表示维度，最终输出为user向量p_u和最终输出为item向量q_i，其中u，i分别为用户u和图书i；

步骤2.2，利用2.1的描述建立基础模型公式，如下所示：p(u，i)表示user-item对，如果user点击item，那么p(u，i)＝1，否则p(u，i)＝0；

其中表示向量p_u的转置矩阵，F表示向量维度，f∈(1，F)，其中p_uf表示user向量p_u对应第f列对应的值，q_if表示item向量q_i对应第f列对应的值；

步骤2.3，采用梯度下降方法获得LFM损失函数如下，这里采用的是平方损失-L2损失，公式解释：p(u，i)是训练样本的label，如果user点击了item，那么p(u，i)＝1，否则p(u，i)＝0；p^LFM(u，i)是模型预估的user对item喜好程度，就是步骤2.2所说的模型产出的参数p_u和q_i转置的乘积，D是所有的训练样本的集合；如果模型预估的数值与label越接近的话，损失函数数值越小，反之则越大；

loss＝∑_(u，i)∈D(p(u，i)-p^LFM(u，i))² (2)

步骤2.4，为防止过拟合，增加正则化项；公式如下：前半部分是2.3建模公式，α是正则化系数，是用来平衡平方损失与正则化项，采用的是L2正则化，L2正则化就是直接在原来的损失函数基础上加上权重参数的平方和，正则化目的是为了让模型更加简单化，公式中的表示正则化因子，即权重参数；

步骤3，训练模型，输出模型得到的user和item的向量；

步骤3.1，训练模型前，将损失函数对p_uf和q_if的偏导，其中表示损失函数对p_uf的偏导，表示损失函数对q_if的偏导：

损失函数对p_uf和q_if的偏导之后，应用梯度下降的方法可以看到：

其中，β是learning rate，即学习率；

步骤3.2，训练模型，步骤3.1得到的p_uf和q_if就是最终要得到的user对特征值F喜好程度用向量表示的度量和item向量对特征值F喜好程度向量表示的度量；

步骤4，根据模型得到的user和item的向量，根据user向量对item向量的迭代来计算最终图书的推荐评分，进而得出用户图书推荐列表；。

2.根据权利要求1所述的基于个性化召回算法LFM的图书推荐方法，其特征在于：将用户获得的用户向量user_vec和每一个图书向量item_vec做矩阵运算，获得的值代表用户对每一个图书的可能感兴趣的程度，值越大，越值得推荐，称为推荐得分；取出每一个用户可能感兴趣的图书top5图书作为推荐结果。