[发明专利]一种考虑标签信息的贝叶斯个性化排序推荐方法

摘要

本发明公开了一种考虑标签信息的贝叶斯个性化排序推荐方法，其特征按如下步骤进行：步骤一、定义一个表示用户与产品的交互关系；步骤二、定义用户与交互项产品的标签匹配度；步骤三、定义用户的偏好反馈集合的划分标准；步骤四、构建用户对产品的矩阵分解模型；步骤五、利用贝叶斯个性化推荐方法对模型进行求解；步骤六、获得某个用户的为交互项产品的降序排列，并将前top个产品推荐给用户。本发明具有较好的推荐性能，特别是在数据稀疏与冷启动用户推荐情况下。

主权项

一种考虑标签信息的贝叶斯个性化排序推荐方法，其特征是按照如下步骤进行：步骤一、定义交互关系集合D表示用户和产品的所有交互关系：其中，D＝{d1,...,dd,...,d|D|}，dd表示第d个交互关系，d＝1,2,...,|D|，|D|表示用户和产品的所有交互关系的个数，表示U＝{1,...,u,...|U|}表示用户集合，u表示任意用户，u＝1，2，…，|U|，|U|表示所有用户的个数，I＝{1,...,i,...,|I|}表示产品集合，i表示任意产品，且任意产品i带有标签，i＝1，2，…，|I|，|I|表示所有产品的个数；步骤二、基于用户与产品的标签匹配度，利用式(1)获得用户u与未交互产品j的标签匹配度match(u,j)，从而获得用户u与所有未交互产品的标签匹配度集合：match(u,j)=def|Tu∩Tu,j||Tu|---(1)]]>式(1)中，表示用户u标注的所有不同标签集合，表示用户u标注的第p个标签，p表示用户u标注的不同标签个数；表示用户u与未交互产品j的标签集合；表示用户u所未交互产品j的第q个标签，q表示未交互产品j的不同标签个数，j＝1，2，…，|J|，|J|表示用户u的所有未交互产品的个数；|Tu∩Tu,j|表示用户u标注的标签与用户u未交互产品j的标签的相同标签个数，|Tu|表示用户u标注的所有不同标签个数；步骤三、定义一个基于标签的用户偏好反馈集合的划分标准；步骤3.1、基于用户与产品的交互关系集合D，定义用户u的所有交互产品构成用户u的正反馈集合步骤3.2、设置参数ε，0≤ε≤1；基于用户u与所述产品集合I中所有未交互产品的标签匹配度{match(u,j)}j＝1,2,…,|J|，获得用户u对应的强偏好反馈集合弱偏好反馈集合和负反馈集合若满足match(u,j)≥ε，则表示未交互产品j属于用户u的强偏好反馈集合若满足0＜match(u,j)＜ε，则表示未交互产品j属于用户u的弱偏好反馈集合若满足match(u,j)＝0，则表示未交互产品j属于用户u的负反馈集合步骤四、利用式(2)构建用户集合U对产品集合I的矩阵分解模型：x^=WTH+b---(2)]]>式(2)中，表示用户集合U对产品集合I的偏好集合，W表示用户集合U的特征矩阵，H表示产品集合I的特征矩阵；b表示产品集合I的偏差项；步骤五、利用贝叶斯个性化排序方法对所述矩阵分解模型进行优化求解，得到所述矩阵分解模型中的各个参数值；步骤5.1、利用式(3)得到所述矩阵分解模型的目标函数χ：χ=Σu=1|U|Σi∈CuposΣk∈Custrln(σ(x^ui-x^ukmatch(u,k)))+Σk∈CustrΣs∈Cuwekln(σ(x^uk-x^us))+Σs∈CuweakΣj∈Cunegln(σ((x^us-x^uj)×match(u,s)))-λΘ||Θ||2---(3)]]>式(3)中，表示用户u对正反馈集合中产品i的偏好，表示用户u对强偏好反馈集合中产品k的偏好，表示用户u对弱偏好反馈集合中产品s的偏好，表示用户u对负反馈集合中产品j的偏好；σ(·)表示logistic函数，Θ表示所述矩阵分解模型中的参数集合，并有Θ＝{W,H,b}，λΘ为正则化参数；步骤5.2、定义外循环变量为α，并初始化α＝1；步骤5.3、利用正态分布随机初始化第α次循环的参数集合Θα＝{Wα,Hα,bα}；利用(0,1)随机初始化第α次循环的正则化参数步骤5.4、定义内循环变量为β，并初始化β＝1；步骤5.5、在第α次外循环下遍历用户和产品的的交互关系集合D：步骤5.6、在访问第β个交互关系dβ的过程中第β次随机选取一个用户u，同时从所述用户u对应的正反馈集合中随机选取一个交互产品i，从所述用户u对应的强偏好反馈集合中随机选取一个未交互产品k，从所述用户u对应的弱偏好反馈集合中随机选取一个未交互产品s、从所述用户u对应的负反馈集合中随机选取一个未交互产品j；从而获得第α次外循环下第β次遍历的一组用户产品组合步骤5.7、将用户产品组合代入式(3)，得到第α次外循环下访问第β个交互关系dβ的目标函数步骤5.8、利用随机梯度下降方法更新目标函数中参数和的梯度；步骤5.9、令β+1赋值给β，并判断β＞|D|是否成立，若成立，则执行步骤5.10；否则，返回步骤5.6；步骤5.10、判断参数是否均收敛，若均收敛，则表示获得最优参数集合否则，将α+1赋值给α，并返回步骤5.4执行；步骤六、随机选取所述产品集合U中一个用户v，根据式(3)得到所述用户v在所述产品集合I中所有未交互产品的偏好，并对所有未交互产品的偏好进行降序排序，选择前top个产品形成推荐列表推送给所述用户v。