[发明专利]基于局部矩阵分解的个性化推荐方法及系统

说明书

本发明属于个性化推荐技术领域，特别涉及一种基于局部矩阵分解的个性化推荐方法及系统，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。本发明将辅助数据和评分数据建模为异构信息网络，从异构信息网络中学习用户表示和项目表示，提升用户对项目评分预测精确度，优化个性化推荐性能，具有较好的应用前景。

技术领域

本发明属于个性化推荐技术领域，特别涉及一种基于局部矩阵分解的个性化推荐方法及系统。

背景技术

作为一种应对信息过载的工具，推荐系统被广泛研究。在商业领域，服务提供者使用推荐系统获得用户偏好，在大量的商品中向用户推送他们可能感兴趣的商品，提高了经济效益。传统推荐系统通过分析用户与项目的历史交互数据(如评级数据、浏览数据)，得到用户的偏好向量，该向量刻画了用户在向量空间维度的若干属性，通过偏好向量可以预测用户行为，从而进行个性化推荐。推荐系统中的用户通常具有群体性特征，某一部分的用户可能对特定部分的商品更感兴趣，如何根据用户的群体性特征设计一种合理的推荐模型是一项关键的问题。协同过滤是一种经典的推荐系统模型。作为应用最广泛的协同过滤模型，矩阵分解算法因其良好的性能和可扩展性而受到广泛的关注。矩阵分解将用户-项目交互矩阵分解为两个矩阵，即用户隐特征矩阵和项目隐特征矩阵。通过这种方式将用户和项目映射到隐特征空间，用户偏好和项目属性通过隐特征向量相关联。而矩阵分解的基本假设是用户-项目交互矩阵是一个低秩矩阵，这意味着矩阵中的行(列)是高度相关的。事实上，用户-项目交互矩阵通常不是全局的低秩矩阵，存在部分用户只对某一部分的商品更感兴趣。一般来说，根据用户偏好(项目属性)，可以将所有用户(项目)划分为不同的子集。在子集中，用户(项目)之间的相关性更密切。因此，由用户子集和项目子集构造的局部用户-项目交互矩阵是低秩的。将整个交互矩阵转化为多个局部低秩矩阵，在局部低秩矩阵中进行推荐可以获得较好的性能。

现有的局部低秩矩阵分解算法显著的改进了推荐系统的性能，但是仍然面临数据稀疏性的问题。在现实中存在一些用户，他们很少或者没有对商品进行评分。在这种情况下，利用矩阵分解算法抽取得到的用户隐性特征向量，无法有效的反应出用户的偏好，对推荐系统的性能会造成影响。例如通过全局矩阵分解算法得到用户与项目的隐性特征向量，并通过比较隐性特征的相似性，来确定用户或项目是否可以构建为同一子矩阵。如果部分用户的评分较少，则用户隐性特征向量无法刻画用户的偏好，导致构建的子矩阵不能反映用户的局部群体性。

发明内容

为此，本发明提供一种基于局部矩阵分解的个性化推荐方法及系统，将辅助数据和评分数据建模为异构信息网络，从异构信息网络中学习用户表示和项目表示，提升用户对项目评分预测精确度，优化个性化推荐性能。

按照本发明所提供的设计方案，提供一种基于局部矩阵分解的个性化推荐方法，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。

作为本发明基于局部矩阵分解的个性化推荐方法，进一步地，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。

作为本发明基于局部矩阵分解的个性化推荐方法，进一步地，异构信息网络表示为其中，表示节点集合，表示边集合，表示用户集合，表示项目集合，ε₁表示用户间存在关系边，ε₂表示用户对项目有评分边。