[发明专利]一种基于弹性维特征向量优化抽取的协同过滤推荐方法

摘要

本发明提出一种基于弹性维特征向量优化抽取的协同过滤推荐方法，属于互联网信息推荐技术领域，本发明使用用户特征向量和推荐对象特征向量构建推荐方法，利用用户辅助向量和推荐对象辅助向量分别弹性的获取每个用户特征向量和每个推荐对象特征向量中用户真正感兴趣和推荐对象真正隶属的维度；本发明不需要专业知识和个体信息，安全简单；采用最小均方根误差作为优化约束条件，在实现过程中只需针对评分矩阵中已有的部分进行约束，仍能给出正确的拟合评分，避免了数据稀疏和由于缺乏历史数据的冷启动问题；该方法能获取每个用户特征向量和每个推荐对象特征向量中真正起作用的维度，并自适应地调整搜索方向，使推荐方法避免过拟合，优化推荐结果。

主权项

1.一种基于弹性维特征向量优化抽取的协同过滤推荐方法，其特征在于，包括以下步骤：步骤1、从历史数据库中获取所需用户和所需推荐对象，采用构建原始评分矩阵的方式描述不同用户对不同推荐对象的评分；步骤2、对获取的每个用户构建一个多维用户特征向量，并对用户特征向量随机赋初始值；步骤3、对获取的每个推荐对象构建一个多维推荐对象特征向量，并对推荐对象特征向量随机赋初始值，所述的推荐对象特征向量维数与用户特征向量维数相同；步骤4、根据原始评分矩阵并结合用户辅助向量，对用户特征向量进行优化，具体步骤如下：步骤4‑1、遍历原始评分矩阵获得目标用户给过评分的所有推荐对象，将推荐对象对应的推荐对象特征向量组成矩阵；步骤4‑2、根据步骤4‑1中获得的矩阵和原始评分矩阵进行优化求解，获得当前迭代次数中该用户的特征向量；步骤4‑3、采用遗传算法确定该用户的用户辅助向量；所述用户辅助向量由0和1组成，用于确定每个用户真正感兴趣的维度；步骤4‑4、将当前迭代次数中该用户的特征向量中的元素与该用户的用户辅助向量对应位置元素相乘，抽取出当前迭代次数中该用户特征向量中实际起作用的维度，获得该用户当前迭代次数优化后的用户特征向量；步骤4‑5、重复步骤4‑1至步骤4‑3，获得下一用户的当前迭代次数中的用户特征向量，直至所有用户特征向量均完成优化；步骤5、根据原始评分矩阵并结合推荐对象辅助向量，对推荐对象特征向量进行优化，具体步骤如下：步骤5‑1、遍历原始评分矩阵获得评价过目标推荐对象的所有用户，将用户对应的用户特征向量组成矩阵；步骤5‑2、根据步骤5‑1中获得的矩阵和原始评分矩阵进行优化求解，获得当前迭代次数中该推荐对象的特征向量；步骤5‑3、采用遗传算法确定该推荐对象的推荐对象辅助向量；所述推荐对象辅助向量由0和1组成，用于确定每个推荐对象真正隶属的维度，即获得弹性维特征向量；步骤5‑4、将当前迭代次数中该推荐对象的特征向量中的元素与该推荐对象的推荐对象辅助向量对应位置元素相乘，抽取出当前迭代次数中推荐对象特征向量中该推荐对象实际隶属的类型维度，获得该推荐对象当前迭代次数优化后的推荐对象特征向量；步骤5‑5、重复步骤5‑1至步骤5‑3，获得下一推荐对象的当前迭代次数中的推荐对象特征向量，直至所有推荐对象特征向量均完成优化；步骤6、返回执行步骤4进行下一次迭代，直至到达迭代次数的最大值或者连续三次迭代中的总体误差变化小于给定的误差阈值，则迭代过程终止，获得用户特征向量和推荐对象特征向量的最优值；步骤7、筛查原始评分矩阵确定目标用户未给出评分的推荐对象，将这些推荐对象作为候选推荐对象，把该用户的用户特征向量依次与候选推荐对象的推荐对象特征向量相乘，获得该用户对这些候选推荐对象的潜在评分，将其中评分最高的一个或多个推荐对象推荐给该目标用户。