[发明专利]基于局部矩阵分解的个性化推荐方法及系统

权利要求书

1.一种基于局部矩阵分解的个性化推荐方法，其特征在于，包含如下内容：

依据用户社交网络信息和用户对项目评分信息构建异构信息网络，并形成用户评分矩阵；

从异构信息网络中提取用户和项目节点向量表示，并依据节点向量表示的相似性将评分矩阵划分为多个子矩阵；

通过在子矩阵中进行矩阵分解获取子矩阵的预测评分，将预测评分的加权均值用于最终个性化推荐；

依据目标节点类型采用随机游走算法对节点序列进行采样来获取节点序列集合，并利用skip-gram模型获取节点向量表示；

若当前节点为项目类型时，通过均匀概率选择用户类型为目标节点，若当前节点为用户类型时，设置跳转概率参数并利用该参数控制用户类型跳转到用户类型或项目类型概率，通过随机游走算法对节点序列进行采样；

跳转概率表示为其中，表示当前用户节点user,是随机游走跳转目标节点user or item,α∈[0,1]表示选择下一跳节点为用户类型节点的概率，表示当前用户节点的邻居用户类型集合，表示当前用户节点的邻居项目类型集合，ε₁表示用户间存在关系边，ε₂表示用户对项目有评分边；

随机选择n个锚点，利用核函数计算锚点与用户数据点表示节点向量表示的相似性来判断数据点是否属于锚点的自矩阵，其中，数据点与锚点之间的相似性由用户之间的相关度和项目之间的相关度共同决定；

若相似性小于阈值则将数据点归为以锚点为中心的子矩阵中，若数据点与任一锚点均不满足阈值，则将其划入预期相关程度最高的子矩阵中。

2.根据权利要求1所述的基于局部矩阵分解的个性化推荐方法，其特征在于，依据用户集合和项目集合，构建用户社交信息图和用户-项目评分图；将用户社交信息图和用户-项目评分图融合，形成异构信息网络。

3.根据权利要求1或2所述的基于局部矩阵分解的个性化推荐方法，其特征在于，异构信息网络表示为其中，表示节点集合，ε表示边集合，表示用户集合，表示项目集合，ε₁,ε₂∈ε，ε₁表示用户间存在关系边，ε₂表示用户对项目有评分边。

4.根据权利要求1所述的基于局部矩阵分解的个性化推荐方法，其特征在于，对每个子矩阵进行矩阵分解得到对应每个子矩阵局部的用户隐性特征向量和项目隐性特征向量，通过隐特征向量与项目隐特征向量内 积获取预测评分；并依据余弦相似度对预测评分加权平均得到全局近似评分。

5.一种基于局部矩阵分解的个性化推荐系统，其特征在于，基于权利要求1所述的方法实现，包含：网络构建模块、矩阵分解模块和预测评分模块，其中，

网络构建模块，用于依据用户社交网络信息和用户对项目评分信息构建异构信息网络，并形成用户评分矩阵；

矩阵分解模块，用于从异构信息网络中提取用户和项目节点向量表示，并依据节点向量表示的相似性将评分矩阵划分为多个子矩阵；

预测评分模块，用于通过在子矩阵中进行矩阵分解获取子矩阵的预测评分，将预测评分的加权均值用于最终个性化推荐。