[发明专利]一种基于耦合主题模型的协同滤波方法

权利要求书

1.一种基于耦合主题模型的协同滤波方法，其特征在于，该方法包括以下步骤：

步骤S1，获取用户生成内容记录，每个用户生成内容对应特定的用户和产品；

步骤S2，获取用户对产品的历史评分信息，将部分历史评分信息作为训练集，剩下的作为测试集，分别构建不完全观测评分矩阵，即根据部分用户对部分产品的评分构建不完全观测评分矩阵，得到的训练集评分矩阵R作为耦合主题模型的评分输入；

步骤S3，根据用户生成内容，提取用户文档d_U和产品文档d_V，其中，所述用户文档d_U为与用户有关的用户生成内容，所述产品文档d_V为与产品有关的用户生成内容，每个文档使用其包括的单词的词频来表示，并将每个文档的词袋表达向量W_U和W_V建模为可见单元，作为耦合主题模型的内容输入；

步骤S4，结合所述步骤S2得到的训练集评分矩阵R和所述步骤S3得到的用户文档d_U、产品文档d_V，利用耦合主题模型学习得到用户特征向量η_U和产品特征向量η_V；

步骤S5，根据步骤S4得到的用户特征向量η_U和产品特征向量η_V，利用计算用户对不同产品的评分，然后将得到的预测评分与测试集评分进行对比，衡量所述耦合主题模型的可靠性，最后针对特定用户，根据预测评分的高低得到推荐产品列表，从而进行产品推荐；

其中，所述耦合主题模型观测变量(R，W_U，W_V)的生成过程为：

1)对每个用户i：

a)从K元正态分布N(μ_U，∑_U)中采样一个K维向量作为用户i的特征向量η_U，i，其中，η_U，i为用户i的特征向量，μ_U，∑_U为正态分布参数；

b)对用户文档d_U，i中的每个单词W_U，i，t；

I)从多项分布Mult(θ_U，i)中采样一个值作为单词W_U，i，t的主题分配z_U，i，t，其中，z_U，i，t为单词W_U，i，t的主题分配，θ_U，i为多项分布参数，且θ_U，i＝π(η_U，i)＝exp{η_U，i}/∑_kexp{η_U，i，k}；

II)把采样得到的z_U，i，t作为选择器，选择第z_U，i，t个主题，根据多项分布采样得到单词W_U，i，t，其中，W_U，i，t为用户i的文档中第t个单词，为多项分布参数；

2)对每个产品j：

a)从K元正态分布N(μ_V，∑_V)采样一个K维向量作为产品j的特征向量η_V，j，其中，η_V，j为产品j的特征向量，μ_V，∑_V为正态分布参数；

b)对用户文档d_V，j中的每个单词W_V，j，t；

I)从多项分布Mult(θ_V，j)中采样一个值作为单词W_V，j，t的主题分配z_V，j，t，其中，z_V，j，t为单词W_V，j，t的主题分配，θ_V，j为多项分布参数，且θ_V，j＝π(η_V，j)＝exp{η_V，j}/∑_kexp{η_V，j，k}；

II)把采样得到的z_V，j，t作为选择器，选择第z_V，j，t个主题，根据多项分布采样得到单词w_V，j，t，其中，w_V，j，t为产品j的文档中第t个单词，为多项分布参数；

3)从正态分布中采样得到用户i对产品j的评分R_i，j，其中，该正态分布是以为均值，σ²为方差；

其中，π(η)是映射函数。