[发明专利]基于相对熵相似度的知识推荐方法

摘要

本发明公开了一种基于相对熵相似度的知识推荐方法，基于构建的在线学习用户与在线知识资源模型，步骤一：根据在线学习用户在线学习浏览记录，建立在线学习用户与项目关系的评分矩阵，对项目基于内容进行聚类，形成项目聚类集合；步骤二：建立在线学习用户与项目聚类集合之间的典型度关系矩阵；步骤三：训练相对熵相似度计算公式参数α、β，得到其最优值；步骤四：使用相对熵相似度公式计算用户之间的相似度；步骤五：根据相似度计算结果，为用户选取“邻居”，形成邻居用户集合；步骤六、根据邻居用户集合，形成相应在线知识资源推荐列。本发明提高传统推荐算法应用到知识推荐上时相似度计算的效果，从而优化最终推荐效果。

主权项

1.一种基于相对熵相似度的知识推荐方法，基于构建的在线学习用户与在线知识资源模型，其特征在于，该方法以下步骤：步骤(101)、根据在线学习用户在线学习浏览记录，建立在线学习用户与项目关系的评分矩阵；对项目基于内容进行聚类，形成项目聚类集合；步骤(102)、建立在线学习用户与项目聚类集合之间的典型度关系矩阵；步骤(103)、训练相对熵相似度计算公式参数α、β，得到其最优值；参数α、β的最优值需满足使得损失函数f取最小值，损失函数f定义如公式(1)所示：其中，y_i,j表示为0或1，当R_i,j在训练集中出现，即训练集数据中用户i对项目j有评分的时候，将y_i,j表示为1，否则将y_i,j表示为0，是用户i对项目j的评分预测值，采用随机梯度下降算法寻找合适参数，该损失函数f关于参数下降的方向导数由公式(2)、公式(3)定义：其中，表示损失函数沿α的方向导数；表示损失函数沿β的方向导数，故由随机梯度下降规则由公式(4)、公式(5)给出：与公式(5)相似，η为常数，表示梯度下降的步长，α_t为当前推荐对象t的参数α，α_t+1为推荐对象t的下一个推荐对象t+1的参数α，β_t为当前推荐对象t的参数β，β_t+1为推荐对象t的下一个推荐对象t+1的参数β；步骤(104)、通过相似度计算公式得到两个用户之间的相似度，基于典型度相对熵相似度的具体计算方法如下式所示：其中，U_i代表用户i，U_j代表用户j，v_i,t表示用户i与推荐对象t，关系评分，在基于典型度推荐算法中，v_i,t表示用户i在聚类t典型度关系评分，α、β为步骤103训练得到的结果；步骤(105)、根据相似度计算结果，为用户选取“邻居”，形成邻居用户集合；步骤(106)、根据邻居用户集合，形成相应在线知识资源推荐列。