搜索 分析 新世界 法规 图书 网址导航 更多
高级用户登录 | 登录 | |

一种基于协同过滤并结合多类别非信任关系的推荐方法
审中-实审

申请号:201510650640.1 申请日:2015-10-09
摘要:本发明公开了一种基于协同过滤并结合多类别非信任关系的推荐方法,步骤(1)选择项目自身类别信息作为推荐方法的类别;步骤(2)计算用户在某个类别的偏好程度;步骤(3)计算用户在信任网络中的影响力;步骤(4)通过评分矩阵获得用户偏好信息矩阵和项目隐含因子矩阵;步骤(5)通过信任网络最大化非信任用户偏好信息之间的差异;步骤(6)结合步骤(4)和步骤(5),形成本发明的推荐方法的形式化表示;步骤(7)通过梯度下降获得用户偏好信息矩阵以及项目隐含因子矩阵的最优解;步骤(8)产生推荐结果。本发明通过有效利用信任网络中用户间的非信任关系并与用户-项目评分数据信息进行融合,从而达到提高推荐精度的目的。
申请人: 北京航空航天大学
地址: 100191 北京市海淀区学院路37号
发明(设计)人: 欧阳元新 郑曜曜 荣文戈 熊璋
主分类号: G06Q50/00(2012.01)I
分类号: G06Q50/00(2012.01)I
  • 法律状态
2016-02-24  实质审查的生效IPC(主分类):G06Q 50/00申请日:20151009
2016-01-27  公开
注:本法律状态信息仅供参考,即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
  • 其他信息
主权项  一种基于协同过滤并结合多类别非信任关系的推荐方法,其特征在于:实现步骤如下:步骤(1)选择项目自身类别信息作为推荐方法的类别;步骤(2)计算用户u在类别k上的偏好程度,偏好程度为用户u产生评分行为中属于类别k的项目数量与用户u产生评分行为的所有项目数量的比值;具体如下:<mrow><msub><mi>f</mi><mi>u</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msub><mi>n</mi><mi>u</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow><msub><mi>n</mi><mi>u</mi></msub></mfrac></mrow>用户u产生评分行为中属于类别k的项目数量与用户u产生评分行为的所有项目数量的比值;步骤(3)统计整个用户信任网络中指向用户u的信任关系T(u),指向用户u的非信任关系D(u),得到用户u的影响力如下:<mrow><mi>h</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow><mo>=</mo><munderover><mo>&Sigma;</mo><mi>u</mi><mi>m</mi></munderover><mi>T</mi><mrow><mo>(</mo><mi>u</mi><mo>)</mo></mrow><mo>/</mo><mrow><mo>(</mo><munderover><mo>&Sigma;</mo><mi>u</mi><mi>m</mi></munderover><mi>T</mi><mo>(</mo><mi>u</mi><mo>)</mo><mo>+</mo><munderover><mo>&Sigma;</mo><mi>u</mi><mi>m</mi></munderover><mi>D</mi><mo>(</mo><mi>u</mi><mo>)</mo><mo>)</mo></mrow></mrow>其中h(u)为用户u的影响力,m为所有用户的数量;用户信任网络指用户对项目评分的过程中,产生的用户间的信任网络;信任关系指用户对其他用户的评分行为认可的关系;非信任关系指用户对其他用户的评分行为不认可的关系;步骤(4)根据用户项目评分矩阵,通过基于模型的协同过滤方法得到用户偏好信息矩阵的目标函数具体如下:<mrow><msub><mi>&eta;</mi><mrow><mi>Q</mi><mo>*</mo><mo>,</mo><mi>P</mi><mo>*</mo></mrow></msub><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munder><mo>&Sigma;</mo><mrow><mo>(</mo><mi>u</mi><mo>,</mo><mi>i</mi><mo>)</mo><mo>&Element;</mo><mi>&epsiv;</mi></mrow></munder><mrow><mo>(</mo><msub><mi>R</mi><mrow><mi>u</mi><mo>,</mo><mi>i</mi></mrow></msub><mo>-</mo><msubsup><mi>Q</mi><mi>i</mi><mi>T</mi></msubsup><msub><mi>P</mi><mi>u</mi></msub><mo>)</mo></mrow><mo>+</mo><mfrac><msub><mi>&lambda;</mi><mi>P</mi></msub><mn>2</mn></mfrac><mo>|</mo><mo>|</mo><mi>P</mi><mo>|</mo><msubsup><mo>|</mo><mi>F</mi><mn>2</mn></msubsup><mo>+</mo><mfrac><msub><mi>&lambda;</mi><mi>Q</mi></msub><mn>2</mn></mfrac><mo>|</mo><mo>|</mo><mi>Q</mi><mo>|</mo><msubsup><mo>|</mo><mi>F</mi><mn>2</mn></msubsup></mrow>其中Ru,i表示用户u对项目i的评分;ε为用户项目评分矩阵中用户有过评分行为的元素的集合;矩阵P为用户偏好信息矩阵,Pu为用户偏好信息矩阵中用户u的偏好信息向量;矩阵Q表示项目隐含因子矩阵,Qi为隐含因子矩阵中项目i的隐因子向量;||·||F是矩阵的弗罗贝尼乌斯范数;λP和λQ为防止过拟合参数;步骤(5)根据步骤(2)的结果,得到非信任用户偏好信息之间的差异γP*,具体如下:其中,u1和u2为两个不同用户,分别为两个用户在类别k的偏好程度;为用户u1的非信任列表中用户的集合;K为项目的类别数目;表示用户u1和用户u2在类别k下的偏好相似程度;步骤(6)通过线性融合的方式结合步骤(4)所得目标函数和步骤(5)所得非信任用户偏好信息之间的差异得到基于协同过滤并结合多类别非信任关系的推荐方法的目标函数,具体如下:其中λD为权重参数;步骤(7)通过梯度下降法最小化步骤(6)的目标函数得到用户偏好信息矩阵P和项目隐含因子矩阵Q,产生最终推荐结果,具体如下:<mrow><mover><mi>R</mi><mo>^</mo></mover><mo>=</mo><msup><mi>Q</mi><mi>T</mi></msup><mi>P</mi><mo>.</mo></mrow>
公开号  105279699A
公开日  2016-01-27
专利代理机构  北京科迪生专利代理有限责任公司 11251
代理人  成金玉 孟卜娟
颁证日  
优先权  
国际申请  
国际公布  
进入国家日期