[发明专利]基于时序漂移的潜在因子模型对项目的推荐方法

权利要求书

1.基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，所述方法包括：

步骤1，采集所需要推荐项目的历史信息；

步骤2，基于采集的历史信息构建时序漂移矩阵分解模型；

步骤3，基于时序漂移矩阵分解模型构建时序漂移联合目标函数；

步骤4，对步骤3构建的联合目标函数进行求解后得到基于时序漂移矩阵分解模型，输入的用户信息后可进行项目推荐。

2.根据权利要求1所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

在所述步骤1中，历史信息包括项目的用户信息与项目评级信息；

用户信息包括用户行为的时间信息；用户行为的时间信息包括用户在亚马逊网站上浏览这些项目的时长、收藏时间、加入购物车时间以及结账时间；

评级范围是1-5分的整数，并对数据集中用户评级数量小于等于1的数据进行筛除。

3.根据权利要求2所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

在所述步骤2中，所述时序漂移矩阵分解模型将每个用户u_i的t时刻用户潜在因子矩阵与t-T时刻的用户潜在因子矩阵相联系，在t和t-T时刻之间定义一个辅助转移矩阵表示当前用户潜在因子矩阵可用t-T时刻的用户潜在因子矩阵通过辅助转移矩阵转移后表示；

当前用户潜在因子矩阵包含t时刻每个项目的用户信息；项目潜在因子矩阵包含t时刻每个项目的项目评级信息。

4.根据权利要求1或3所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

所构建的时序漂移矩阵分解模型满足以下关系式：

其中，表示n维实数空间，表示当前时间t的评分矩阵,表示评分矩阵R^(t)由i×j维的实数组成；表示t时刻目标矩阵R^(t)的用户潜在因子矩阵，表示潜在用户潜在因子矩阵由i×l维的实数组成；表示t-T时刻目标矩阵R^(t)的用户潜在因子矩阵；表示t时刻目标矩阵R^(t)的项目潜在因子矩阵，表示项目潜在因子矩阵由l×j维的实数组成；表示和之间的辅助转换矩阵。

5.根据权利要求4所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

定义在t时刻和t-T时刻分别对应的评分矩阵R^(t)和R^(t-1)的最小化问题：

其中，表示Frobenius范数。

6.根据权利要求5所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

引入时间影响因子α，得到联合最小化问题：

其中，0α1，

7.根据权利要求6所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

对联合最小化问题进行求解，得到时序漂移联合目标函数，其满足以下关系式：

其中，表示预测数据与实际数据之间误差最小化，表示由t-1时刻获得用户潜在因子矩阵的转换预测误差的最小化；U^(t-T)的分解偏置度由时间正则化项控制，γ₁，γ₂为各项影响调节参数，当γ₁值越高，则表示该模型对更偏向于辅助矩阵对其影响作用；||·||₁表示L1范数。

8.根据权利要求7所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

使用一阶必要条件等式约束求解时序漂移联合目标函数，得到以下关系式：

其中，符号⊙表示两个矩阵对应位置元素进行乘积，符号表示各参数损失函数梯度。

9.根据权利要求8所述的基于时序漂移的潜在因子模型对项目的推荐方法，其特征在于，

以及梯度的更新规则为：