[发明专利]一种概率矩阵分解推荐方法

说明书

技术领域

本发明涉及在线社交网络的交互方法，建立一种新型推荐方法，结合显性与隐性反馈信息，利用概率矩阵分解原理进行准确的评分预测，属于软件工程、人机交互、互联网交叉技术应用领域。

背景技术

近年来，在线社交网络逐渐流行，吸引了成千上万的用户，已经成为当今信息的传播与分享的主要平台之一。由于商品规模越来越庞大，用户很难快速准确地找到自己感兴趣的商品，推荐系统的任务就是帮助用户快速准确地找到喜欢的商品。在线社交网络中，朋友的推荐很重要，它可以给用户提供准确的建议，使用户能够快速地找到理想中的商品。供应商们也很愿意利用推荐系统给他们潜在的客户推荐需要的商品，并且希望把客户变成真正的买家。

为了获得更准确的推荐，需要对未知的商品进行评分的预测，除了朋友的推荐之外，其它的信息也很重要，如显性反馈和隐性反馈信息。显性反馈信息是指用户给出的显性倾向，如评分信息、用户与用户之间的信任关系等。隐性反馈信息是指用户不直接表现出的隐性倾向，如购买了哪些商品、给哪些电影评分了等。近年来，基于协同过滤的显性反馈的推荐系统普遍增多，很多推荐系统都是结合用户的评分和信任信息来提高推荐的准确度，但这却浪费了大量的宝贵的隐性反馈信息。由于推荐系统可以很容易地获取隐性反馈信息，而且用户不会很反感，同时隐性反馈信息还具有收集成本低、应用场景广、数据规模大等特点。因此，在推荐系统中需要将隐性反馈信息和显性反馈信息相结合。

矩阵分解技术已逐步应用于推荐系统，其中就包括概率矩阵分解技术。概率矩阵分解技术是根据用户和商品的特征向量以及观察到的评分服从的高斯先验分布，利用贝叶斯推导，得到用户和商品的特征矩阵，最后根据特征矩阵计算出预测的评分。该方法可以有效地利用多方面信息，在推荐时有着更好的准确率，而且复杂度不高，适合处理大规模数据。

发明内容

技术问题：本发明的目的是提供一种概率矩阵分解推荐方法，该方法是一种基于显性与隐性反馈信息同时结合概率矩阵分解技术帮助用户给商品评分的方法，该方法以在线社交网络为平台，对显性与隐性反馈信息进行概率矩阵分解，并根据贝叶斯推理来预测出用户对商品的评分，解决了预测精度不高以及评分稀疏与冷启动的问题。

技术方案：本发明所述概率矩阵分解推荐方法，首先对用户信任关系矩阵进行概率矩阵分解，然后对用户的商品评分矩阵和隐性反馈信息进行概率矩阵分解，综合两次分解的结果，求出隐含用户特征矩阵、隐含商品特征矩阵以及隐性反馈信息特征向量，最后计算出给用户推荐的评分。

本发明所述概率矩阵分解推荐方法包括以下步骤：

步骤1)获得用户在线社交网络中的信任关系矩阵与用户商品评分矩阵；所述在线社交网络是在互联网上与其他人相联系的一个平台，用户对产品进行评分，同时分享给该用户的朋友，查询该用户的朋友的评分；

步骤2)随机生成U和Z，所述U∈R^d×m表示隐含用户特征矩阵，Z∈R^d×m表示隐含信任关系特征矩阵，Z∈R^d×m表示d行m列的矩阵，d是用户根据经验指定的隐含特征数，m是用户的个数，将隐含用户特征矩阵和隐含信任关系特征矩阵的先验分布表示为：

p(U|σU2)=Πi=1mN(Ui|0,σU2)]]>