專利名稱：基于社會(huì)上下文的協(xié)同推薦方法
技術(shù)領(lǐng)域：
本發(fā)明涉及個(gè)性化推薦領(lǐng)域，尤其涉及一種基于社會(huì)化關(guān)系的協(xié)同推薦方法。
背景技術(shù)：
近年來(lái)互聯(lián)網(wǎng)飛速發(fā)展造成互聯(lián)網(wǎng)上信息總量快速增加，同時(shí)電子商務(wù)也在不斷地?cái)U(kuò)大。網(wǎng)上數(shù)據(jù)量的巨大導(dǎo)致用戶需要花費(fèi)大量時(shí)間去尋找自己喜歡的物品，這種排除大量無(wú)用信息的過(guò)程無(wú)疑會(huì)阻礙用戶享受互聯(lián)網(wǎng)帶來(lái)的便利。為了解決這些問(wèn)題，個(gè)性化推薦系統(tǒng)應(yīng)用而生。個(gè)性化推薦系統(tǒng)是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)智能平臺(tái)， 它主要是根據(jù)用戶的興趣特點(diǎn)和其它信息，向用戶推薦其感興趣的信息和商品，以幫助用戶提供完全個(gè)性化的決策支持和信息服務(wù)。個(gè)性化推薦不僅在推動(dòng)經(jīng)濟(jì)發(fā)展和網(wǎng)絡(luò)發(fā)展上有重要的作用和價(jià)值，同時(shí)如何提高推薦的效率和準(zhǔn)確度也是一個(gè)值得研究的熱點(diǎn)問(wèn)題。^|1](Co 11 aborative Filtering Recommendation Algorithm) ^ 個(gè)性化推薦系統(tǒng)中最常用而且有效的一種推薦算法。與傳統(tǒng)的基于內(nèi)容得推薦不同，協(xié)同過(guò)濾算法分析用戶的興趣，在用戶群中找到指定用戶的相似用戶，并且綜合這些相似用戶對(duì)某一物品的評(píng)價(jià)，最后形成該指定用戶對(duì)此物品的喜好程度的預(yù)測(cè)。雖然有著廣泛的應(yīng)用，協(xié)同過(guò)濾推薦仍難克服數(shù)據(jù)稀疏性和信息來(lái)源單一造成的問(wèn)題，既由于用戶物品矩陣的稀疏導(dǎo)致用戶相似性計(jì)算不準(zhǔn)確，從而影響到推薦的準(zhǔn)確性，以及僅采用單一的用戶物品評(píng)分矩陣進(jìn)行挖掘推薦，無(wú)法克服單獨(dú)評(píng)分矩陣信息量不足帶來(lái)的問(wèn)題，從而影響推薦結(jié)果。針對(duì)協(xié)同過(guò)濾推薦算法的問(wèn)題，我們引入了社會(huì)關(guān)系信息來(lái)結(jié)合用戶物品信息進(jìn)行推薦。同時(shí)為了解決數(shù)據(jù)稀疏性問(wèn)題，我們采用低秩矩陣分解的方法來(lái)進(jìn)行推薦，通過(guò)把社會(huì)上下文約束融入低秩矩陣分解中對(duì)物品評(píng)分進(jìn)行預(yù)測(cè)，從而達(dá)到推薦的目的。

發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有推薦技術(shù)的不足，提供一種基于社會(huì)上下文約束的協(xié)同推薦方法(Collaborative Recommendation by Social Context Regularization, CRSCR) ο基于社會(huì)上下文約束的協(xié)同推薦方法包括如下步驟
1)首先提取用戶物品矩陣，以及社會(huì)化關(guān)系矩陣，在協(xié)同推薦中使用用戶對(duì)物品的評(píng)分矩陣，或使用用戶對(duì)物品點(diǎn)擊次數(shù)或者訪問(wèn)關(guān)系來(lái)定義用戶物品矩陣；社會(huì)化關(guān)系為系統(tǒng)中用戶通過(guò)某些行為與其它用戶之間發(fā)生的好友關(guān)系、處于相同興趣愛(ài)好小組關(guān)系、信任關(guān)系；
2)使用帶有社會(huì)上下文約束的低秩矩陣分解法來(lái)對(duì)用戶物品矩陣進(jìn)行填充，并使用結(jié)果矩陣為每個(gè)用戶推薦N個(gè)物品；
3)考慮到不同用戶之間存在的差異性，對(duì)矩陣分解中社會(huì)上下文約束權(quán)重進(jìn)行調(diào)整。所述的步驟1)為2. 1)選取用戶對(duì)物品的評(píng)分矩陣作為用戶物品矩陣/ ，推薦系統(tǒng)中用戶對(duì)物品評(píng)分范圍通常為0到5，在系統(tǒng)沒(méi)有提供評(píng)分機(jī)制時(shí)，使用歸一化的用戶對(duì)物品點(diǎn)擊率矩陣或者關(guān)系矩陣作為用戶物品矩陣W;
2.2)提取用戶之間的社會(huì)化關(guān)系矩陣仏社會(huì)化關(guān)系為系統(tǒng)中用戶通過(guò)某些行為與其它用戶之間發(fā)生的好友關(guān)系、處于相同興趣愛(ài)好小組關(guān)系、 信任關(guān)系關(guān)系，使用每一行每一列值為0或1的矩陣來(lái)描述社會(huì)化關(guān)系，即
Gt. = 1表示用戶i和用戶J存在關(guān)系，反之Gf = O表示用戶i和用戶J之間不存在關(guān)系。 所述的步驟2)為
3.1)對(duì)用戶物品矩陣■進(jìn)行低秩矩陣分解過(guò)程為計(jì)算矩陣LJei^和矩陣 Fe if",且使得"和K滿足條件JUrV，其中 為用戶的數(shù)量，η為物品的數(shù)量，并且 I <Hiin(^rt),通過(guò)最小化以下式子來(lái)近似計(jì)算i/和K ；
權(quán)利要求
1.一種基于社會(huì)上下文約束的協(xié)同推薦方法，其特征在于包括如下步驟1)首先提取用戶物品矩陣，以及社會(huì)化關(guān)系矩陣，在協(xié)同推薦中使用用戶對(duì)物品的評(píng)分矩陣，或使用用戶對(duì)物品點(diǎn)擊次數(shù)或者訪問(wèn)關(guān)系來(lái)定義用戶物品矩陣；社會(huì)化關(guān)系為系統(tǒng)中用戶通過(guò)某些行為與其它用戶之間發(fā)生的好友關(guān)系、處于相同興趣愛(ài)好小組關(guān)系、信任關(guān)系；2)使用帶有社會(huì)上下文約束的低秩矩陣分解法來(lái)對(duì)用戶物品矩陣進(jìn)行填充，并使用結(jié)果矩陣為每個(gè)用戶推薦N個(gè)物品；3)考慮到不同用戶之間存在的差異性，對(duì)矩陣分解中社會(huì)上下文約束權(quán)重進(jìn)行調(diào)整。
2.根據(jù)權(quán)利要求1所述的一種基于社會(huì)上下文約束的協(xié)同推薦方法，其特征在于所述的步驟1)為2. 1)選取用戶對(duì)物品的評(píng)分矩陣作為用戶物品矩陣/ ，推薦系統(tǒng)中用戶對(duì)物品評(píng)分范圍通常為0到5，在系統(tǒng)沒(méi)有提供評(píng)分機(jī)制時(shí)，使用歸一化的用戶對(duì)物品點(diǎn)擊率矩陣或者關(guān)系矩陣作為用戶物品矩陣W;2.2)提取用戶之間的社會(huì)化關(guān)系矩陣仏社會(huì)化關(guān)系為系統(tǒng)中用戶通過(guò)某些行為與其它用戶之間發(fā)生的好友關(guān)系、處于相同興趣愛(ài)好小組關(guān)系、 信任關(guān)系關(guān)系，使用每一行每一列值為0或1的矩陣來(lái)描述社會(huì)化關(guān)系，即= 1表示用戶i和用戶J存在關(guān)系，反之= O表示用戶i和用戶J之間不存在關(guān)系。
3.根據(jù)權(quán)利要求1所述的一種基于社會(huì)上下文約束的協(xié)同推薦方法，其特征在于所述的步驟2)為3.1)對(duì)用戶物品矩陣進(jìn)行低秩矩陣分解過(guò)程為計(jì)算矩陣LJeif和矩陣 Fe Jf",且使得"和K滿足條件i 枯UrV，其中 為用戶的數(shù)量，η為物品的數(shù)量，并且 I <min( p),通過(guò)最小化以下式子來(lái)近似計(jì)算u和v ；
4.根據(jù)權(quán)利要求1所述的一種基于社會(huì)上下文約束的協(xié)同推薦方法，其特征在于所述的步驟幻為在社會(huì)上下文約束最小化關(guān)系式中使用用戶相似性矩陣^對(duì)用戶權(quán)重進(jìn)行調(diào)整,表示如下
全文摘要
本發(fā)明公開(kāi)了一種基于社會(huì)上下文約束的協(xié)同推薦方法。包括如下步驟1)首先提取用戶物品矩陣，以及社會(huì)化關(guān)系矩陣。在協(xié)同推薦中使用用戶對(duì)物品的評(píng)分矩陣，或使用用戶對(duì)物品點(diǎn)擊次數(shù)或者訪問(wèn)關(guān)系來(lái)定義用戶物品矩陣；社會(huì)化關(guān)系為系統(tǒng)中用戶通過(guò)某些行為與其它用戶之間發(fā)生的關(guān)系；2)使用帶有社會(huì)上下文約束的低秩矩陣分解法來(lái)對(duì)用戶物品矩陣進(jìn)行填充，并使用結(jié)果矩陣為每個(gè)用戶推薦N個(gè)物品；3)考慮到不同用戶之間存在的差異性，對(duì)矩陣分解中社會(huì)上下文約束權(quán)重進(jìn)行調(diào)整。本發(fā)明克服了傳統(tǒng)協(xié)同過(guò)濾推薦算法的推薦信息單一以及用戶物品矩陣稀釋性導(dǎo)致的推薦結(jié)果不準(zhǔn)確的問(wèn)題，并且在推薦結(jié)果準(zhǔn)確性上比傳統(tǒng)的方法有明顯的提高。
文檔編號(hào)G06F17/30GK102231166SQ20111019410
公開(kāi)日2011年11月2日 申請(qǐng)日期2011年7月12日 優(yōu)先權(quán)日2011年7月12日
發(fā)明者吳飛, 張寅 , 蔡瑞瑜, 邵健 申請(qǐng)人:浙江大學(xué)