[发明专利]一种基于局部低秩矩阵的个性化推荐方法

摘要

本发明公开了一种基于局部低秩矩阵的个性化推荐方法首先读取数据，处理数据得到评分矩阵，对评分矩阵随机选取q个元素作为锚点在每一个锚点近邻空间内计算一个低秩矩阵，形成q个低秩矩阵，然后通过线性方法组合起来形成最后的近似评分矩阵，接着，分别进行评分系统属性的计算、用户属性的计算、和物品属性的计算，最后，基于计算进行个性化推荐。本发明在原有的局部低秩矩阵方法的基础上加上用户、物品以及评分系统的因素，从而使得推荐结果又更高的准确性，并且相较于原有的矩阵分解的方法，更加精确。

主权项

1.一种基于局部低秩矩阵的个性化推荐方法，其特征在于，包含以下步骤：步骤1：局部低秩近似矩阵的计算：步骤1‑1：平台采集用户个人信息、用户行为特征、以及用户对物品的评价数据，形成用户评分矩阵Rm×n：其中，m表示用户的数量，n表示物品的数量,rij表示用户i对物品j的评价；步骤1‑2：对于用户评分矩阵随机取q个可观察到的元素作为锚点，采用最小化平方重构误差的方法得到得到q个在邻域空间内的局部低秩矩阵Ut和Vt，其中，Ut为第t个元素所对应的用户特征矩阵，Vt为第t个元素所对应的物品特征矩阵，，t∈(1,q)，计算公式如下：式中，K((u*,i*),(u.i))是计算元素(u,i)和元素(u*,i*)的平滑核函数，Ω代表训练集中所有的元素，Mu,i表示用户u对于物品i的评分；步骤1‑3：使用N‑W估计将q个用户特征矩阵和q个物品特征矩阵组合起来得到最终的近似评分矩阵式中，(ut,it)表示被选中的第t个元素，K((ut,it),(u,i))表示被选中的第t个元素(ut,it)与元素(u,i)的平滑核函数；步骤2：个性属性的计算：步骤2‑1：计算网站中所有记录的评分的全局平均数μ，以表示网站本身对用户评分的影响；步骤2‑2：根据局部低秩近似矩阵来计算用户偏置项bu以及物品偏置项bi,递推公式如下:其中，α为预设的学习速率，M_u,i表示用户u对于物品i的评分，表示根据局部低秩矩阵得到的用户对于物品的近似评分；步骤2‑3：根据下面公式计算得到最终的近似评分结果：其中，ru,i表示最终的近似评分结果,(ut,it)表示被选中的第t个元素，K((ut,it),(u,i))表示被选中的第t个元素(ut,it)与元素(u,i)的平滑核函数，Ut表示第t个元素所对应的低秩的用户特征矩阵，Vt表示第t个元素所对应的低秩的物品特征矩阵,其中bu表示用户偏置项，bi表示物品偏置项,μ表示全局平均数；步骤3：基于最终的近似评分结果进行个性化推荐。