[发明专利]一种基于多核融合的新项目协同推荐方法

摘要

本发明涉及一种基于商品属性信息的冷启动推荐算法，目的是通过利用多核加权融合的协同过滤算法解决新商品推荐中的数据缺失问题。该算法通过多核加权的方式确定了商品在属性空间之间关联关系，从而实现向用户推荐新项目。其中，所述的多核学习算法，是在现有的核函数学习算法的基础上，为各个核函数进行加权求和从而提高了算法在复杂数据环境中的准确度；所述的属性相似度，是通过计算在商品间属性上的相似性，使计算的用户对商品预测的偏好得分更具有解释性；所述的权重是通过随机梯度下降的学习方法进行优化。通过本发明，能够根据商品的属性信息学习一种描述用户偏好的项目相似性度量，以有效提高新项目推荐的精准度。

主权项

1.一种基于多核融合的新项目协同推荐方法，其特征在于，包括：步骤1、建立数据属性信息集，所述数据属性信息集包括：用户ID信息、项目ID信息、评分信息以及项目的属性信息；步骤2、提取评分信息大于0相对应的用户ID信息和项目ID信息，组成项目‑用户组，随机选取任一项目‑用户组进行计算；步骤3、根据项目的属性信息分别计算项目之间皮尔逊相似度、余弦相似度和Jaccard相似度，分别建立皮尔逊核、余弦核和Jaccard核；其中皮尔逊相似度中的近邻集合是两个项目的用户的集合的交集，如下分段函数是3种情况下，对n的判断(n是集合中元素的个数)，步骤4、计算皮尔逊核、余弦核和Jaccard核三个基本核函数的加权和，计算公式如下：式中，sim_i对应相应类型的核函数，w_i分别是各个核函数占整体的权重，权重和为1，并且每个权重都大于等于0。步骤5、确定当前项目v的邻居集SN，具体包括5.1)计算项目之间属性的相似性5.2)找出当前用户u评论的所有评分项目集S5.3)选取项目集S中与当前项目v属性相似度的前K个项目，构成当前项目v的邻居集SN_v，若如果不足K个按当前个数算，否则取相似度大的前K个步骤6、计算用户u对项目v的预测评分，计算公式如下：式中SN_v表示项v的K个最近的邻居；sim(v,j)是式中的多核线性组合；r_ju(0≤r_ju≤5)是用户u在项目j上的评分值；步骤7、采用随机梯度下降的算法来优化损失函数，损失公式为：式中P(v,u)是预测评分，y(v,u)是真实评分；求解损失函数包括以下步骤：7.1)将损失函数表示成梯度的形式：7.2)计算的值，计算过程为：7.3)化简，令7.4)得到向量a、b，将向量a、b带入式得到的值；步骤8、计算损失如公式：步骤9、对权重w进行归一化的处理，确保每次迭代后的w_i加和为1，且w_i都大于等于0；步骤10、根据公式w⁽ⁿ⁺¹⁾＝wⁿ‑αη(0<α≤0.1)更新w。