[发明专利]一种基于动态增量更新的上下文推荐方法

说明书

本发明涉及一种基于动态增量更新的上下文推荐方法，其特征在于包括以下步骤：1)根据电子商务网站的历史记录提取用户信息，根据用户信息构建成张量；并对构建的张量进行张量分解运算，得到四类特征因子；2)当张量的规模发生变化时，根据新加入的用户数据构成的新张量对步骤1)得到的四类特征因子进行动态增量更新，得到新的四类特征因子；3)当对用户进行物品推荐的时候，根据更新后的特征因子，计算用户与物品之间的评分值，将评分值较高的物品作为用户可能会喜欢的物品推荐给用户。本发明可以广泛应用在电子商务网站的推荐系统中。

技术领域

本发明涉及一种上下文推荐方法，特别是关于一种基于动态增量更新的上下文推荐方法。

背景技术

进入21世纪后，各种电子商务网站迅猛发展，同时随着各种无线技术的发展，使得移动互联网、物联网、社交网络的发展也非常迅速，全人类已经进入了“大数据”时代。在“大数据时代”“信息过载”的问题更加严重，推荐系统的研究与发展很好的解决了信息过载的问题。随着社交网络等“大数据”的发展，数据的种类越来越多，作为大数据特点之一的“种类(Variety)”越来越成为推荐系统数据的一个特点。面对如此多种类的数据类型，基于上下文感知的推荐方法可以融合用户的多种上下文信息而有利于推荐方法的准确度提升。因此，基于上下文感知的推荐方法在目前的产业界和学术界都有着不断的研究与发展。

根据中国互联网信息中心(CNNIC)发布的《第35次中国互联网络发展状况统计报告》(以下简称《报告》)显示，截至2014年12月，我国网民规模达6.49亿，全年共计新增网民3117万人。同时，《报告》中还显示，截至2014年12月，我国手机网民规模达5.57亿，较2013年增加5672万人。截至2014年12月，我国网络购物用户规模达到3.61亿，较2013年底增加5953万人。我国的网民数量有了很大的提高，同时，电子商务网站中的用户也发生了很大的数量提升，越来越多的人使用电子商务网站购买东西。根据淘宝天猫的统计，2014年11月11日，“天猫双十一”购物狂欢节单日成交额达到571亿元，其中无线客户端成交243亿，在2013年的“双十一”购物狂欢节，单日的成交额为350亿，在2012年，单日成交额为191亿。通过上述数据可以看出，互联网中的用户和商品数量在2014年取得了较快的增长，面对如此庞大的用户群体和商品，大数据的另一个特点“速度(Velocity)”对于互联网中的应用也是一个非常重要的特征。互联网中的产品越来越重视数据实时性的需求。例如，在新闻推荐系统中，数据的实时性是推荐方法最重要的要求。

目前越来越多的学者投入到推荐系统的研究中，取得了丰硕的成果，推动了推荐方法准确度的提升。现有技术公开了采用主题模型LDA(Latent Dirichlet Allocation)的方法学习用户的偏好矩阵，同时将物品的内容信息融入到LDA模型的训练中，提高了算法的精确度；另外，现有技术还公开了在基于位置信息的推荐中，将“用户—物品—地点”三者之间的关系抽象成三阶张量，采用张量分解的算法实现推荐方法，给定一个查询的地点，系统根据当前地点的事件实体与用户的位置属性进行个性化的信息推荐。在社会化推荐中，现有技术还公开一种基于信任关系的协同过滤算法，算法在计算用户相似度的时候考虑将用户的信任关系加入到相似度的计算中，将用户之间的信任程度代替协同过滤算法中的相似用户的计算，提升了算法在社会网络应用中的推荐准确度。

尽管目前越来越多的推荐算法的发展提高了推荐系统的推荐准确性，但是现有这些方法具有以下的不足：现有研究工作是基于一个假设：用户和物品的数量不变。在传统的推荐系统中，研究人员假设用户和物品的二维关系构成一个效用矩阵，采用矩阵分解或者其他方法对矩阵进行运算，然后对用户进行推荐。这种模型中，假设用户的数量是固定的，但是在实际的网站中，我们知道网站上的用户和物品的数量是不断在增加的，例如：Meetup目前已经拥有九百万的用户，但是仍然以每个月二十八万的用户数量在增长；截止2014年四季度末，微博月活跃用户达到1.76亿，全年净增4700万。在这种现实世界中的推荐网站中，当用户的数量发生增长的时候，传统的静态推荐方法需要对网站中所有用户的历史数据矩阵进行重新计算，这样会增加系统的负担，造成计算资源的浪费，这种推荐模型已经不能满足实际需求。