[发明专利]一种基于有社会关系和项目内容的贝叶斯概率矩阵分解推荐方法

说明书

技术领域

本发明属于推荐系统技术领域，更具体地，涉及一种基于有社会关系和项目内容的贝叶斯概率矩阵分解推荐方法。

背景技术

在过去十年里，推荐系统已成为重要的研究领域。典型的推荐系统尝试通过收集用户对其它用户或者项目的评价信息来预测该用户的兴趣。推荐方法通常被划分为协同过滤的方法和基于内容的方法。协同过滤的方法尝试为一个特定用户预测一个项目的评价，而这种预测是建立在其它相似的用户对该项目的评价基础之上的。协同过滤的基本思想是假设相似的用户有相似的品味。协同过滤方法被广泛应用在大型商业系统，例如亚马逊（Amazon）和奈飞（Netflix）。

矩阵分解是最近几年最流行的协同过滤方法之一。学者们提出了一些通过矩阵分解来做推荐的方法，如变分贝叶斯矩阵分解，概率矩阵分解，贝叶斯概率矩阵分解，一般概率矩阵分解等。但是这些方法都面临数据稀疏和冷启动问题。下面，介绍几个与本发明接近的对比文献。

一、一种融合项目相关性的基于PMF的协同过滤推荐系统（申请号201110059844，公开号102129463A）。该系统对用户－项目评分数据的概率矩阵因式分解是基于已知的用户－项目评分数据，利用PMF对用户－项目评分矩阵进行隐含向量分析，再使用构造出的隐含向量进行推荐。

二、基于评分的协同过滤推荐方法及系统（申请号201110382078，公开号102495864A）。该系统利用用户历史评分数据的统计特征计算各个用户之间的相似程度，通过与当前用户相似程度较高的其它用户来计算当前用户未评价过的项目，实现了在用户和项目数量庞大的协同过滤推荐系统中用户评分数据极端稀疏情况下，解决了难以找到用户间共同评分项而导致无法计算相似性或相似性不准确的问题，能够实现准确且快速的项目推荐。

然而，现有的推荐系统都不能很好的缓解数据稀疏或冷启动问题。

发明内容

针对现有技术的以上缺陷和改进需求，本发明提供了一种融入社会关系和项目内容的贝叶斯概率矩阵分解方法，其目的在于缓解推荐系统中所经常面临的数据稀疏和冷启动问题，得到更好的推荐结果，由此解决推荐系统都不能很好解决的数据稀疏或冷启动问题，准确快速的进行推荐。

为实现上述目的，本发明提供了一种基于有社会关系和项目内容的贝叶斯概率矩阵分解推荐方法，包括以下步骤：

（1）、使用概率矩阵分解（PMF，Probabilistic Matrix Factorization）方法对观察评价矩阵进行隐含矩阵分析，得到隐含用户特征矩阵和隐含项目特征矩阵；

（2）、使用有社会关系的贝叶斯概率矩阵分解（BPMFSR，Bayesian Probabilistic Matrix Factorization with Social Relations）或者有社会关系和项目内容的贝叶斯概率矩阵分解（BPMFSRIC，Bayesian Probabilistic Matrix Factorization with Social Relations and Item Contents）对隐含用户特征矩阵和隐含项目特征矩阵进行吉布斯采样，得到采样后的隐含用户特征矩阵和隐含项目特征矩阵；

（3）、根据所述采样后的隐含用户特征矩阵和隐含项目特征矩阵计算预测评价矩阵，基于所述预测评价矩阵进行推荐。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，由于在贝叶斯概率矩阵分解（Bayesian Probabilistic Matrix Factorization，BPMF）的基础上融入了社会关系和项目内容，能够取得下列更准确更快速的项目推荐的有益效果：

（1）计算高效并能运用于有大规模数据集的基于信任或基于内容的推荐系统；

（2）具有更快的收敛速度，比其它矩阵分解方法得到更准确的推荐结果；

（3）相比其它方法而言更好的缓解了数据稀疏问题和冷启动问题。

附图说明

图1为本发明有社会关系的贝叶斯概率矩阵分解（BPMFSR）方法的图形模型；

图2为本发明有社会关系和项目内容的贝叶斯概率矩阵分解（BPMFSRIC）的图形模型；

图3为对BPMFSR进行吉布斯采样的流程图；

图4为对BPMFSRIC进行吉布斯采样的流程图；

图5为本发明推荐方法流程图。

具体实施方式