[发明专利]一种基于用户偏好与商品属性的个性化推荐方法

说明书

技术领域

本发明涉及一种基于用户偏好与商品属性的个性化推荐方法，属于机器学习领域。

背景技术

随着智能计算和电子商务技术的进一步发展，协同过滤推荐系统研究已经成为电子商务领域中的热点课题。协同过滤技术是电子商务中的一项重要技术，有关协同过滤推荐技术的研究，目前主要是在互联网模式下，从用户等级、项目评分、内容过滤、语境信息集成、聚类分析、关联规则分析等角度来探讨的。基本思想可以归纳为在保证评分数据足够多的情况下，寻找与目标用户有相同或相似用户行为的最近邻居用户，选择用户行为相似性最高的商品作为推荐列表集反馈给目标用户。

推荐引擎的一个重要问题是冷启动。冷启动产生的原因是由于缺少初始的偏好排序而无法做出可靠的推荐。我们目前已知的冷启动问题有三种：新社区，新项目和新用户。新用户类型的冷启动是推荐系统已存在的中最重要的问题。新社区问题是指当启动推荐系统的时候，很难同时获取大量有效的数据（偏好）来做出推荐。新项目问题是指当有新的项目加入到推荐系统中时，因为此项目没有偏好排序，因此不会把此项目推荐给用户。反过来，一个不被推荐的物品将被用户忽略，因此此物品将一直不会被用户赋予偏好值，这样，就会陷入一个循环，导致这些被忽略的物品一直处于偏好/推荐过程外。新项目问题对一些问题（电子商务，微博，图片，视频等）的影响要比那些可以通过其他途径来表示新项目的问题（如电影）要大的多。解决新项目的方法之一是在推荐系统中存在一些专门为新项目做出排序的用户。新用户问题是推荐系统中一个很大的问题。因为新用户在偏好排序中没有任何的信息，因此在基于记忆的协同过滤方法中，无法给新用户做出任何推荐。当新用户提交他们的偏好排序后，他们期望推荐系统可以给他们做出推荐，但是他们提交的数据（偏好排序）可能太少以至于无法做出有效可靠的推荐，因此，新用户可能觉得推荐系统没有达到他们的期望，从而放弃使用推荐系统。通常解决新用户问题的途径是给偏好排序添加附加信息，从而根据每个用户可用的信息做出推荐。

本发明为了解决基于新项目的冷启动问题，提出了一种基于用户偏好与项目属性的个性化推荐方法。

发明内容

本发明所涉及的一种基于用户偏好与项目属性的个性化推荐方法，技术方案具体为：

步骤1、确定基于项目属性的相似矩阵；

定义项目的特征向量：item_i=(p₁,p₂,…,p_m)；其中m为项目的属性个数，p_i(1≤i≤m)代表了此项目第i个特征向量的值。然后每个项目可以转换为用一个向量item_i=(w₁,w₂,…,w_m)表示，其中向量维数是m，即项目的属性特征个数。然后通过计算表示项目的向量间的距离A_ij来表示item_i和item_j之间的相似性，从而构成相似矩阵

所属项目i与项目j之间的向量间的距离的计算方法包括：皮尔逊相关的距离、欧氏距离、余弦距离、斯皮尔曼距离和基于谷本相关的距离。

步骤2、确定基于用户偏好的同现矩阵；

定义用户对项目的偏好列表：prefs=(user_id,item_id,pref)，其中pref代表用户对项目的评分，所有用户对项目的评分组成评分列表prefs。通过计算每一对项目同时出现在同一个用户的偏好列表中的次数B_ij（表示item_i和item_j同时出现在相同的用户的偏好列表中的次数）来构成同现矩阵

步骤3、确定最终的相似矩阵；

最终的相似矩阵定义为其中和β为自定义的权重。

步骤4、计算用户偏好向量：

把用户的偏好看做一个向量，在n个项目的数据模型中，用户的偏好是一个n维列向量；用户的偏好值对应于向量中的元素，没有给出的偏好由0表示；相对于每一个用户都有一个用户偏好向量P_(u,j)，1<j<n，表示用户u对项目j的偏好，最终生成的用户u的偏好向量为

步骤5、计算候选推荐物品的推荐值；

根据步骤3得到的相似矩阵和步骤4得到的用户偏好向量，计算候选推荐物品的推荐值；

对于用户u，项目i的推荐得分是：