[发明专利]一种基于社会化标签的个性化推荐系统优化方法

说明书

技术领域

本发明涉及一种适用于电子商务信息的个性化推荐系统，更特别地说，是指一种基于社会化标签的面向用户和项目的个性化推荐系统优化方法。

背景技术

在电子商务迅猛发展过程中，个性化推荐技术功不可没，个性化推荐是根据用户的喜好和兴趣，个性化推荐系统向用户推荐他可能感兴趣的项目，从而促进销售额的提高。在个性化推荐系统中多数使用协同过滤方法提供个性化推荐信息，用户在协同过滤推荐系统中，用户对项目的兴趣被量化为用户对项目的评分。在给定用户集U＝{u₁，u₂，…，u_c，…u_m}和项目集I＝{i₁，i₂，...，i_a，…i_n}的条件下，用户-项目的评分矩阵表示为R＝|U|×|I|。在R＝|U|×|I|中用户对项目的评分值区间为[0，5]，评分越高则代表用户对项目的喜爱程度越高。

基于邻居关系的协同过滤推荐模型，即K近邻推荐模型，是通过得到与用户最相似的前K个用户或与项目最相似的前K个项目进行建模的，它包括基于评分相似度的面向用户的K近邻模型和面向项目的K近邻模型，其建模过程是：根据已有评分矩阵计算用户间或项目间的评分相似度得到用户的K近邻用户集合或项目的K近邻项目集合；根据K近邻用户对项目的评分和K近邻用户与用户间的相似度，或用户对K近邻项目的评分和K近邻项目于项目间的相似度，计算面向用户或面向项目的预测评分。该K近邻模型具备简单直观，实现难度低，推荐结果易于解释等优点，但其也存在用户-项目评分数据的解释性差，冷启动问题，以及推荐精度不高等缺陷。因此，众多研究者们一直在努力尝试设计出具有更好推荐精度的协同过滤推荐系统。

在个性化推荐系统的研究领域中，K近邻模型是协同过滤推荐系统中使用最方便简单，且较为成熟的一种方法，但是单一的K近邻模型推荐性能有所缺陷，故而针对该K近邻模型进行优化的研究十分活跃，其中有代表性的包括Jun Wan等提出的通过相似度融合将面向项目和面向用户的推荐模型进行组合，Karen H.L.等提出的将社会标签与用户-项目矩阵进行矩阵扩展形成含有社会标签的面向项目和面向用户的模型矩阵，然后计算相似度进而进行推荐，等等。他们提出的方法较为新颖，但仍然存在信息损失的问题，比如冷启动问题和数据稀疏性问题，故而，本专利提出的方法是针对社会化标签相似度和评分相似度构造面向用户和项目的个性化推荐优化方法。社会化标签是用户根据自己的兴趣爱好向项目标注的单词或词组，该类信息可以体现用户的标注兴趣，从而体现用户之间或项目之间的相似性。

发明内容

本发明的目的是提出一种基于社会化标签的面向用户和项目的个性化推荐系统优化方法，该方法同时采用社会化标签相似度和评分相似度，使用面向用户和项目的K近邻模型计算预测评分，使个性化推荐系统的推荐精度得到提高，并弥补数据稀疏性和冷启动问题。本发明采用社会化标签在个性化推荐系统中进行K近邻模型的建模，然后通过K近邻模型建模对未知评分进行预测，获得用户更加感兴趣更高的项目。

本发明是一种基于社会化标签的面向用户和项目的个性化推荐系统优化方法，其特征在于包括有下列步骤：

第一步：在电子商务的项目集I＝{i₁，i₂，...，i_a，…i_n}和用户集U＝{u₁，u₂，...，u_c，...u_m}中采用矩阵形式表达出用户-项目评分矩阵R＝|U|×|I|和用户-项目社会化标签矩阵T＝|U|×|I|；

第二步：依据用户-项目评分矩阵R＝|U|×|I|、用户-项目社会化标签矩阵T＝|U|×|I|在K近邻推荐模型中获取目标项目i_n与任意一项目i_a之间的项目间相似度ISim(i_n→i_a)；

第三步：采用所述第二步的处理方法遍历目标项目i_n分别与项目集I＝{i₁，i₂，...，i_a，…i_n}中项目处理，目标项目i_n的项目集相似度ISim(i_n)；