[发明专利]一种基于隐马尔科夫链模型的智能推荐算法

摘要

一种基于隐马尔科夫链模型的智能推荐算法，用于法律网的智能推荐系统上。包括步骤：针对文档特点，将信息增益率和相关度分别替代隐马尔科夫链模型中的状态的初始概率和状态转移概率；计算客户阅读第t篇文档时的部分概率；计算文档篇数t=n时每一篇文档的最优概率和最优文档序列，从所有最优概率中选择值最大的最优概率；记录下最优文档序列，即是推荐给客户的所有文档序列。本发明实施方案综合了信息增益率和隐马尔科夫链的优点，弥补了单使用隐马尔科夫链算法作为推荐算法时推荐偏向数量大的状态的缺点，以及求解参数是的复杂性缺点，在推荐算法中具有较大的实用性和较高的精准性。

主权项

1.一种基于隐马尔科夫链模型的智能推荐方法，其特征在于，包括步骤：针对文档特点，将信息增益率和相关度分别替代隐马尔科夫链模型中的状态的初始概率和状态转移概率；计算客户阅读第t篇文档时的部分概率；计算文档篇数t=n时每一篇文档的最优概率和最优文档序列；从所有最优概率中选择值最大的最优概率，记录下最优文档序列，即是推荐给客户的所有文档序列；所述的基于隐马尔科夫链模型的智能推荐方法，将信息增益率和相关度分别替代状态的初始概率和状态转移概率的方式包括：将信息增益率代替隐马尔科夫链模型中隐含状态的初始概率，信息增益率本身就涵盖了初始状态概率，且信息增益率能更准确地将对整体而言重要的状态推出，而不是过分地将数量大的状态推出，一定程度上能比纯初始状态概率的代入使推荐的结果更精准，在智能推荐系统中，状态的变换显然是跟相关度有很大联系的，且一般推荐方法也主要考虑的是关联规则，故本方法所要提供的推荐方法中的隐马尔科夫链模型的隐含状态转移概率矩阵便是相关度矩阵；所述的基于隐马尔科夫链模型的智能推荐方法，计算客户阅读第t篇文档时部分概率的方式包括：部分概率是客户在阅读第t篇文档最可能是文档X的一条路径的概率，当阅读第t=1篇文档时，阅读的某篇文档的序列还不存在，这时直接使用某文档的信息增益率和它跟文档的输出概率的积来表示这时候的部分概率：当阅读t>1篇文档时，则根据第t‑1篇的部分概率来求第t篇的部分概率，客户点击阅读了文档，则往下阅读的第t篇文档是具有最大部分概率的文档的计算公式：所述的基于隐马尔科夫链模型的智能推荐方法，计算文档篇数t=n时每一篇文档的最优概率和最优文档序列按如下方式进行：最优概率是客户在阅读的第t篇文档是文档的所有可能文档序列中概率最大的文档序列的概率，记为，显然阅读到的每一个文档都有对应的最优概率和最优文档序列；所述的基于隐马尔科夫链模型的智能推荐方法，记录下最优文档序列按如下方式进行：在阅读的每一篇中间文档和结束文档都有一个部分最优概率，同时也需要一个方法去记住部分最优文档序列的每一篇文档，要计算第t篇文档的部分概率，只需要记录那个导致了第t篇文档有最大部分概率的文档，利用一个后向指针来记录导致某篇文档具有最大局部概率的前一个状态，即：。