一種基於擴展特徵向量的個性化協同過濾推薦方法
2023-05-26 20:52:26
專利名稱：一種基於擴展特徵向量的個性化協同過濾推薦方法
技術領域：
本發明涉及一種個性化推薦方法，具體涉及一種基於擴展特徵向量的個性化協同過濾推薦方法，屬於計算機機器學習領域。
背景技術：
Web 2. O的核心思想是「群體智慧」，也就是基於大眾行為，為每個用戶提供個性化的推薦。這使得如何讓用戶能更快速更準確的獲得所需要的信息，成為了一個Web應用成敗的關鍵。個性化推薦引擎利用特殊的信息過濾(Information Filtering)技術,將不同的 內容(例如電影、音樂、書籍、新聞、圖片、網頁等)推薦給可能感興趣的用戶。通常情況下，推薦引擎的實現是通過將用戶的個人喜好與特定的參考特徵進行比較，並試圖預測用戶對一些未評分項目的喜好程度。參考特徵的選取可能是從項目本身的信息中提取的，或是基於用戶所在的社會或團體環境。個性化推薦算法主要分為三類(I)基於人口統計學的推薦基於人口統計學的推薦機制是一種最易於實現的推薦方法，它只是簡單的根據系統用戶的基本信息發現用戶的相關程度，然後將相似用戶喜愛的其它物品推薦給當前用戶。首先，系統對每個用戶都有一個用戶資料的建模，其中包括用戶的基本信息，例如用戶的年齡，性別等等(當然在實際的應用中信息種類不僅限於此)；然後，根據用戶的資料計算用戶的相似度，之後做出推薦。(2)基於內容的推薦基於內容的推薦是在推薦引擎出現之初應用最為廣泛的推薦機制，它的核心思想是根據推薦物品或內容的元數據，發現物品或者內容的相關性，然後基於用戶以往的喜好記錄，推薦給用戶相似的物品。(3)基於協同過濾的推薦隨著Web 2. O的發展，Web站點更加提倡用戶參與和用戶貢獻，因此基於協同過濾的推薦機制因運而生。其原理是根據用戶對物品的偏好，發現物品之間的相關性，或者是發現用戶之間的相關性，然後再基於這些關聯性進行推薦。基於協同過濾的推薦機制是現今應用最為廣泛的推薦機制，它有以下幾個的優點它不需要對物品或者用戶進行嚴格的建模，而且不要求物品的描述是機器可理解的，所以這種方法也是領域無關的。這種方法計算出來的推薦是開放的，可以共用他人的經驗，很好的支持用戶發現潛在的興趣偏好。但是，這個方法也存在一些問題①方法的核心是基於歷史數據，所以對擁有較少偏好信息的新物品和新用戶都有「冷啟動」的問題。②推薦的效果依賴於用戶歷史偏好數據的多少和準確性，當系統中的偏好信息較少或者性質較差時，推薦結果往往不是很好。針對這些問題，有必要對原有的協同過濾推薦機制進行一些改進，以適應更多種類的生產環境。
發明內容
本發明的目的是為了克服已有個性化推薦方法存在的不足，提出一種基於擴展特徵向量的個性化協同過濾推薦方法。本發明的目的是通過下述技術方案實現的。一種基於擴展特徵向量的個性化協同過濾推薦方法，包括基於用戶的協同過濾推薦策略和基於物品的協同過濾推薦策略。所述基於用戶的協同過濾推薦策略的具體操作過程為 步驟I. I :確定用戶的擴展特徵向量。定義用戶的擴展特徵向量Useri = (P
(i，l)，P(i，2)，…，P(i，m)，a(i，l)，a(i，2)，*** J a(i, p)) °
其中，Useri表示第i個用戶對應的擴展特徵向量，I ^ i ^n, η為站點中的用戶總數；p(i,j)表示第i個用戶對第j個物品的偏好值，m，m為站點中的物品總數；a(i,k)表示第i個用戶本身具有的第k個屬性值，I < k < p，P為用戶的屬性個數。所述偏好值是在站點中用戶對物品的評分、評論、購買以及瀏覽記錄等信息。所述用戶屬性值是用戶具有的屬性信息，包括用戶性別、年齡、職業、註冊時間、活躍度、所處地區、教育程度等。步驟I. 2 :計算候選推薦物品的推薦值。根據步驟I. I得到的擴展特徵向量通過公式(I)計算候選推薦物品的推薦值。
I ^ .
i/,卜其中，R(u, j0表示物品j對於用戶U推薦值;Uj表示已經對物品j給出偏好值的用戶集合；|U」表示集合％中的元素個數；sim(u,v)表示用戶u和用戶V之間的相似度，具體指用戶u和用戶V的擴展特徵向量之間的相似度，u、v為該站點中的兩個不同用戶，且;P(v,j)為用戶V對物品j的偏好值。所述用戶U和用戶V之間的相似度的計算方法包括皮爾遜相關係數、基於歐式距離的相似度和谷本相關係數等。步驟I. 3 :對候選推薦物品的推薦值按照從大到小的順序進行排序。步驟I. 4 :在步驟I. 3排序的基礎上，選取前N個物品推薦給用戶U，N為人為設定的某一正整數。經過上述步驟的操作，即完成對用戶U的物品推薦。所述基於物品的協同過濾推薦策略的具體操作過程為步驟2. I :確定物品的擴展特徵向量。定義物品的擴展特徵向量Jtemj = (p(1J), p(2；J),…，p(n,」)，bai), b(j,2)，…，b(j, )。其中，item」表示第j個物品對應的擴展特徵向量，I 5 j 5 m,m為站點中的物品總數；p(i，j)表示第i個用戶對第j個物品的偏好值，n，n為站點中的用戶總數；bai)表示第j個物品本身具有的第I個屬性值，l^q, q為站點中的物品的屬性個數。所述偏好值是在站點中用戶對物品的評分、評論、購買以及瀏覽記錄等信息。所述物品屬性值是物品具有的屬性信息，包括物品內容、類別、價格、年份、適用人群，產地等。步驟2. 2 :計算候選推薦物品的推薦值。根據步驟2. I得到的擴展特徵向量通過公式(2)計算候選推薦物品的推薦值。
權利要求
1.一種基於擴展特徵向量的個性化協同過濾推薦方法，其特徵在於其包括基於用戶的協同過濾推薦策略和基於用戶的協同過濾推薦策略； 所述基於用戶的協同過濾推薦策略的具體操作過程為 步驟1.1:確定用戶的擴展特徵向量； 定義用戶的擴展特徵向量=Useri = (p(ia), p(i,2),…，P(i,m)，a(ijl), a(i；2),…，a(i,p));其中，Useri表示第i個用戶對應的擴展特徵向量，I彡i彡n, n為站點中的用戶總數；p(i,j)表示第i個用戶對第j個物品的偏好值，m，m為站點中的物品總數；a(i,k)表示第i個用戶本身具有的第k個屬性值，I < k < p，p為用戶的屬性個數； 所述偏好值是在站點中用戶對物品的評分、評論、購買以及瀏覽記錄等信息； 所述用戶屬性值是用戶具有的屬性信息，包括用戶性別、年齡、職業、註冊時間、活躍度、所處地區、教育程度等； 步驟I. 2 :計算候選推薦物品的推薦值； 根據步驟I. I得到的擴展特徵向量通過公式(I)計算候選推薦物品的推薦值； I 一、RU,⑴ 其中，R(u, j,表示物品j對於用戶u推薦值外表示已經對物品j給出偏好值的用戶集合；|U」表示集合％中的元素個數；sim(u,v)表示用戶u和用戶V之間的相似度，具體指用戶u和用戶V的擴展特徵向量之間的相似度，U、V為該站點中的兩個不同用戶，且;p(v,j)為用戶v對物品j的偏好值； 所述用戶U和用戶V之間的相似度的計算方法包括皮爾遜相關係數、基於歐式距離的相似度和谷本相關係數等； 步驟I. 3 :對候選推薦物品的推薦值按照從大到小的順序進行排序； 步驟I. 4 :在步驟I. 3排序的基礎上，選取前N個物品推薦給用戶u，N為人為設定的某一正整數； 經過上述步驟的操作，即完成對用戶u的物品推薦； 所述基於物品的協同過濾推薦策略的具體操作過程為 步驟2. I :確定物品的擴展特徵向量； 定義物品的擴展特徵向量 atenij = (PcnPW),…，p(n,j)，b(Jjl), b(Jj2),，b(Jjq));其中，item」表示第j個物品對應的擴展特徵向量，I j m, m為站點中的物品總數；p(i,」)表示第i個用戶對第j個物品的偏好值，n，n為站點中的用戶總數；b(il)表示第j個物品本身具有的第I個屬性值，l^q, q為站點中的物品的屬性個數； 所述偏好值是在站點中用戶對物品的評分、評論、購買以及瀏覽記錄等信息； 所述物品屬性值是物品具有的屬性信息，包括物品內容、類別、價格、年份、適用人群，產地等； 步驟2. 2 :計算候選推薦物品的推薦值； 根據步驟2. I得到的擴展特徵向量通過公式(2)計算候選推薦物品的推薦值；R(^J) = \7~\^( 1〕I1Ulfelu其中，R唚)表示物品j對於用戶u推薦值；IU表示用戶u給出偏好值的物品集合；11」表示集合Iu中的元素個數表示物品j和物品j』之間的相似度，具體指物品j和物品j』的擴展特徵向量之間的相似度，j、j』為該站點中的兩個不同物品，且)為用戶u對物品j』的偏好值； 所述物品j和物品j ,之間的相似度的計算方法包括皮爾遜相關係數、基於歐式距離的相似度和谷本相關係數等； 步驟2. 3 :對候選推薦物品的推薦值按照從大到小的順序進行排序； 步驟2. 4 :在步驟2. 3排序的基礎上，選取前N個物品推薦給用戶u，N為人為設定的某一正整數； 經過上述步驟的操作，即完成對用戶u的物品推薦。
全文摘要
本發明公開了一種基於擴展特徵向量的個性化協同過濾推薦方法，屬於計算機機器學習領域。其具體操作過程為①確定用戶/物品的擴展特徵向量。②計算候選推薦物品的推薦值。③對候選推薦物品的推薦值按照從大到小的順序進行排序。④選取前N個物品推薦給用戶u。本發明方法與已有個性化推薦方法相比較，具有如下優點①由於參與計算的信息更多，可以更準確地為用戶給出推薦項目列表。②具有簡單、易行、高效的特點，適合目前廣泛流行的分布式計算應用。③可以從現有的關於用戶和項目自身屬性的信息，為新用戶做出推薦，一定程度上減小了偏好信息缺乏對推薦結果的影響。
文檔編號G06F17/30GK102968506SQ20121054423
公開日2013年3月13日 申請日期2012年12月14日 優先權日2012年12月14日
發明者樊博, 宿紅毅 申請人:北京理工大學