[发明专利]一种基于耦合主题模型的协同滤波方法

说明书

技术领域

本发明涉及互联网产品的信息推荐领域，特别针对网站系统中同时存在用户生成内容信息以及用户评分信息，如何有效利用用户生成内容并同时结合历史评分信息，准确分析用户偏好和产品属性，为目标用户进行个性化信息产品推荐。

背景技术

随着互联网技术与web2.0的深入发展，用户生成内容(User-generated Content，简称UGC)逐渐成为一种新型的主流网络信息资源。用户生成内容泛指以任何形式在网络上发表的由用户创作的文字、图片、音频、视频等内容，本发明主要针对推荐系统的用户生成内容进行分析，即特定用户对特定产品的UGC，比如推荐系统中用户对产品的标签或评论。

近年来，矩阵分解方法在推荐系统中得到了比较广泛的应用。矩阵分解对每个用户和产品学习一个相应的特征向量，来分别表征用户偏好和产品属性。然后利用学习到的特征向量进行产品推荐。但是传统矩阵分解方法只考虑了对历史评分信息进行分析，并未挖掘文本内容相关的信息，因此学习到的特征向量可解释性较差。

主题模型(比如PLSA、LDA等)是一种在文档集上进行主题挖掘的方法。主题模型可以将高维BOW表征的文档映射到K维主题空间，每个文档用一个K维主题向量来表示。

本发明提出了一种耦合主题模型，其结合矩阵分解与主题模型的优势，同时挖掘历史评分信息与用户生成内容进行个性化产品推荐。本发明学习到的特征向量可以用主题来更好的解释，同时解决了评分信息的稀疏问题。

发明内容

为了解决现有技术存在的问题，本发明的目的是提供一种基于耦合主题模型的协同滤波方法。

所述基于耦合主题模型的协同滤波方法包括以下步骤：

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。

本发明引入了对用户生成内容信息的分析，能够直接的显式的发现用户兴趣和产品属性，而且有效地解决了评分矩阵的稀疏问题，获得比基于用户评分信息的预测更准确的效果。

附图说明

图1是本发明基于耦合主题模型的协同滤波方法的流程图。

图2是用于协同滤波的耦合主题模型的生成示意图。

图3是以电影推荐系统为例，介绍用户生成内容的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明基于矩阵分解与主题模型，提出了耦合主题模型。通过将用户和产品映射到隐含主题空间，对每个用户和产品学习一个K维特征向量η，通过引入逻辑斯谛正态先验替代狄利克雷先验，使得学习到主题向量θ(K为主题向量的数量)的同时，可以学习到更加灵活的特征向量η，所述特征向量η不再受限于相应的单纯形(一个K维的向量θ如果满足那么就称该向量分布在K-1的单纯性上)，这样不仅使得特征向量的表达性更好，而且用于矩阵分解进行评分预测也更加灵活。

图1是本发明基于耦合主题模型的协同滤波方法的流程图，如图1所示，所述方法包括以下步骤：