[发明专利]一种基于用户评分分解的推荐系统

摘要

本发明公开了一种基于用户评分分解的推荐系统，包括数据预处理模块、矩阵分解模块、评分预测模块，协同推荐模块，其中数据预处理模块从电子商务平台的数据库中获取不同用户对不同商品的评分信息，构建用户‑商品评分矩阵表并存储；矩阵分解模块通过对多模型同时训练的方式，获得对用户评分分解的权重值；评分预测模块利用矩阵分解模块获取的权重值对原始评分矩阵进行分解，通过再次训练的方式得到每一个部分的评分预测值，最后将每个部分的评分预测值之和作为评分预测结果存储在数据库中；协同推荐模块利用评分预测模块计算得到的评分预测结果向用户进行推荐。本发明能在用户历史数据较少的情况下，实现快速并准确地为用户提供个性化推荐服务。

主权项

基于用户评分分解的推荐系统，其特征在于，包括数据预处理模块、矩阵分解模块、评分预测模块和协同推荐模块，各模块的工作流程如下：数据预处理模块：获取用户对商品的评分信息，构建用户‑商品评分矩阵表R并存储，其中用户‑商品评分矩阵表R的每一行代表一位用户的信息，每一列代表一件商品的信息，表中元素代表各用户对各商品的评分rui，下标u为用户标识符、i为商品标识符；矩阵分解模块：基于用户‑商品评分矩阵表R的用户数量、商品数量，随机初始化C个带有偏置项的矩阵分解模型其中α＝1,…,C，用户‑偏好矩阵X(α)的每一行代表一位用户的偏好特征信息，每一列代表不同用户对同一偏好的特征信息；商品‑属性矩阵Y(α)的每一行代表的同一商品的属性特征信息，每一列代表不同商品的同一属性的特征信息；分别表示模型Θα中各用户的偏置项，各商品的偏置项；根据第一目标函数对C个矩阵分解模型Θα进行训练，得到训练后的矩阵分解模型Θα、权重数据表W(α)并存储，所述权重数据表W(α)为训练过程中得到的每个评分rui的最终分解权重；所述第一目标函数为：minx*,y*,b*Σu,iΣα=1C(wui(α)rui-r^ui(α))2+λ(Σα=1C||xu(α)||2+Σα=1C||yi(α)||2+(bu(α))2+(bi(α))2)]]>其中表示在模型Θα中对评分rui的分解权重，且e为自然底数，表示在矩阵分解模型Θα中用户u对商品i的预测评分，且表示矩阵X(α)中用户u所在行构成的用户u的偏好向量，表示矩阵Y(α)中商品i所在行构成的商品i的属性向量，λ表示正则化参数；x*，y*，b*分别表示当第一目标函数取最小值时所对应的C个参量评分预测模块：基于权重数据表W(α)将用户‑商品评分矩阵表R拆分为C个与矩阵表R规格相同的矩阵R(α)；根据第二目标函数对C个矩阵分解模型Θα进行再训练，得到训练后的矩阵分解模型Θα，基于当前矩阵分解模型Θα，根据得到当前预测评分并将C个当前预测评分的和作为用户对商品的最终预测评分由所有最终预测评分构成用户‑商品评分预测表并存储；所述第二目标函数为：minx~*,y~*,b~*Σu,i(r‾ui(α)-r^ui(α))2+λ(||xu(α)||2+||yi(α)||2+(bu(α))2+(bi(α))2)]]>其中，拆分后的分解评分表示评分rui的最终分解权重；分别表示当第二目标函数取最小值时所对应的C个参量协同推荐模块：基于用户‑商品评分预测表在每个用户未购买的商品中，由前N个最大最终预测评分构成每个用户的用户推荐商品列表并存储；在需要向用户推荐商品时，根据存储的用户推荐商品列表予以推荐。