[发明专利]基于社会上下文的协同推荐方法

说明书

技术领域

本发明涉及个性化推荐领域，尤其涉及一种基于社会化关系的协同推荐方法。

背景技术

近年来互联网飞速发展造成互联网上信息总量快速增加，同时电子商务也在不断地扩大。网上数据量的巨大导致用户需要花费大量时间去寻找自己喜欢的物品，这种排除大量无用信息的过程无疑会阻碍用户享受互联网带来的便利。为了解决这些问题，个性化推荐系统应用而生。个性化推荐系统是建立在海量数据挖掘基础上的一种高级智能平台，它主要是根据用户的兴趣特点和其它信息，向用户推荐其感兴趣的信息和商品，以帮助用户提供完全个性化的决策支持和信息服务。个性化推荐不仅在推动经济发展和网络发展上有重要的作用和价值，同时如何提高推荐的效率和准确度也是一个值得研究的热点问题。

协同过滤推荐算法（Collaborative Filtering Recommendation Algorithm）是个性化推荐系统中最常用而且有效的一种推荐算法。与传统的基于内容得推荐不同，协同过滤算法分析用户的兴趣，在用户群中找到指定用户的相似用户，并且综合这些相似用户对某一物品的评价，最后形成该指定用户对此物品的喜好程度的预测。虽然有着广泛的应用，协同过滤推荐仍难克服数据稀疏性和信息来源单一造成的问题，既由于用户物品矩阵的稀疏导致用户相似性计算不准确，从而影响到推荐的准确性，以及仅采用单一的用户物品评分矩阵进行挖掘推荐，无法克服单独评分矩阵信息量不足带来的问题，从而影响推荐结果。

针对协同过滤推荐算法的问题，我们引入了社会关系信息来结合用户物品信息进行推荐。同时为了解决数据稀疏性问题，我们采用低秩矩阵分解的方法来进行推荐，通过把社会上下文约束融入低秩矩阵分解中对物品评分进行预测，从而达到推荐的目的。

发明内容

本发明的目的是克服现有推荐技术的不足，提供一种基于社会上下文约束的协同推荐方法（Collaborative Recommendation by Social Context Regularization, CRSCR）。

基于社会上下文约束的协同推荐方法包括如下步骤：

1）首先提取用户物品矩阵，以及社会化关系矩阵，在协同推荐中使用用户对物品的评分矩阵，或使用用户对物品点击次数或者访问关系来定义用户物品矩阵；社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系；

2）使用带有社会上下文约束的低秩矩阵分解法来对用户物品矩阵进行填充，并使用结果矩阵为每个用户推荐N个物品；

3）考虑到不同用户之间存在的差异性，对矩阵分解中社会上下文约束权重进行调整。

    所述的步骤1)为：

2.1）选取用户对物品的评分矩阵作为用户物品矩阵R，推荐系统中用户对物品评分范围通常为0到5，在系统没有提供评分机制时，使用归一化的用户对物品点击率矩阵或者关系矩阵作为用户物品矩阵R；

2.2）提取用户之间的社会化关系矩阵G，社会化关系为系统中用户通过某些行为与其它用户之间发生的好友关系、处于相同兴趣爱好小组关系、信任关系关系，使用每一行每一列值为0或1的矩阵来描述社会化关系，即                                                表示用户i和用户j存在关系，反之表示用户i和用户j之间不存在关系。

所述的步骤2)为：

3.1）对用户物品矩阵进行低秩矩阵分解过程为计算矩阵和矩阵，且使得U和V满足条件，其中m为用户的数量，n为物品的数量，并且，通过最小化以下式子来近似计算U和V； 

3.2）分解R中不为0的值来计算出U 和V ，同时在最小化式子中加两个惩罚项，设和是两个惩罚项的参数，将最小化式子改写为以下形式，其中I是R的指示矩阵，这里是指示矩阵，还是单位矩阵，即identity矩阵：

3.3）使用带有社会上下文约束的低秩矩阵分解法过程为在低秩矩阵分解的最小化式子中加入社会上下文约束，社会上下文约束即同一兴趣组内或社区内用户之间偏好类似，不同兴趣组之间用户偏好差异大，其表示如下：