[发明专利]基于物品间情景化隐式关系的协同过滤方法

权利要求书

1.一种基于物品间情景化隐式关系的协同过滤方法其特征在于它的步骤如下：

1)从原始用户-物品-情景三维评分数据中提取物品在不同情景下的评分，建立物品-情景评分矩阵；

2)通过矩阵分解的方法对物品-情景评分矩阵进行分解，获得物品相对于情景的隐因子矩阵；

3)使用物品的隐因子矩阵为每一个物品建立情景化的特征向量，进而利用皮尔逊相关系数计算物品之间的相似度，建立物品隐式关系矩阵；

4)将物品隐式关系矩阵融入概率矩阵分解模型，为用户生成个性化推荐。

2.根据权利要求1所述的一种基于物品间情景化隐式关系的协同过滤方法，其特征在于所述的情景是影响用户与推荐系统交互的因素包括时间、地点；所述的用户-物品-情景三维评分数据是由网站记录的用户与推荐系统的交互数据，即用户在不同情境下对不同物品的评分。

3.根据权利要求1所述的一种基于物品间情景化隐式关系的协同过滤方法，其特征在于所述的步骤1)为：(1)计算用户在各个情景下的活跃程度：D_ik=N_ik/N_i，其中D_ik表示用户i在情景k下的活跃程度，N_ik表示用户i在情景k下的评分个数，N_i表示用户i的评分总个数；(2)从用户-物品-情景三维评分矩阵中提取物品-情景矩阵这里m表示用户个数，n表示物品个数，k表示情景个数，是实数空间，矩阵R_ic中第j行，第k列的元素r_jk表示物品j在情景k下的评分，并有其中表示用户i在情景k下对物品j的评分。

4.根据权利要求1所述的一种基于物品间情景化隐式关系的协同过滤方法，其特征在于所述的步骤2)为：采用矩阵分解的方法分解物品-情景评分矩阵，得到物品的隐因子矩阵：其中R_ic是物品-情景矩阵，I_n×f是物品的隐因子矩阵，是情景的隐因子矩阵。这里隐因子矩阵I_n×f和中的元素是模型参数，在分解过程中，通过随机梯度下降的方法最小化目标函数获得模型参数，其中r_jk是物品j在情景k下的评分，||·||_F表示Frobenius范数，I_i和C_k分别表示矩阵I_n×f的第i行和矩阵的第k行；物品隐因子矩阵I_n×f反映了物品相对于情景的隐式特征，其第i行即表示物品i相对于情景的隐式特征向量。

5.根据权利要求1所述的一种基于物品间情景化隐式关系的协同过滤方法，其特征在于所述的步骤3)为：利用皮尔逊相关系数计算物品相对于情景的隐式特征向量之间的相似度，建立物品隐式关系矩阵S：其中I_i表示物品i相对于情景的隐式特征向量，I_if为I_i的第f维，为I_i中各元素的平均值。

6.根据权利要求1所述的一种基于物品间情景化隐式关系的协同过滤方法，其特征在于所述的步骤4）为：（1）在概率矩阵分解模型的基础上引入物品间的隐式关系信息，使物品的隐因子向量受其邻居的影响；在普通概率矩阵分解模型中，物品的隐因子矩阵的条件概率是其中V表示物品的隐因子矩阵，N表示正态分布，其期望为0，方差为σ²I，I表示单位矩阵；而在改进的概率矩阵分解模型中，物品隐因子矩阵的条件概率是其中与普通概率矩阵分解模型相同，仍然是正太分布；而其中S表示物品间的隐式关系矩阵，S_ij表示物品i与物品j之间的隐式关系值，N_i表示物品i的邻居集合，即与物品i隐式关系最近的物品的集合，V_i是矩阵V的第i行，即物品i的隐因子向量；最终需要最大化的隐因子矩阵的后验概率为：

p(U,V|R,S,σR2,σS2,σU2,σV2)∝p(R|U,V,σR2)p(U|σU2)p(V|S,σV2,σS2),]]>其中：

p(R|U,V,σR2)=Πu=1mΠi=1n[N(Rui|UuTVi,σR2)]IuiRp(U|σU2)=Πu=1mN(U|0,σU2I)p(V|S,σV2,σS2)=Πi=1nN(Vi|Σj∈NiVjSij,σS2I)×Πi=1nN(Vi|0,σV2I)]]>

其中R是用户-物品评分矩阵，U和V分别表示用户和物品的隐因子矩阵，是指示函数，如果在R中有用户u对物品i的评分，则否则采用随机梯度下降的方法最大化步骤（1）中的获得隐因子矩阵U和V，并使用预测未知评分，进而为每个用户个性化推荐top-N个物品。