[发明专利]一种融合社会化信息的改进单类协同过滤方法

说明书

技术领域

本发明属于个性化推荐领域，具体地说是一种融合社会化信息的改进单类协同过滤方法。

背景技术

随着信息技术的不断发展，如何从海量的数据中快速有效地找到用户所需的信息，满足各类用户不同的个性化需求，已受到研究者的广泛关注。在此背景下，推荐系统应运而生。推荐系统可以根据用户的历史评分数据来学习、预测用户的偏好从而推荐物品，被认为是当前能够解决信息过载的最有效方法之一。

其中，运用最广泛的是基于协同过滤的推荐算法。协同过滤算法的核心是基于目标用户最近邻居的评分数据，来预测目标用户对未评分项目的评分，从而将预测评分最高的若干项目推荐给目标用户。近年来协同过滤算法在国内外得到了广泛研究，按处理数据的不同主要分为两类：一类是能明确区分用户喜好倾向的数据，如评分；另一类则是未能表现出用户喜好倾向的单类数据，如是否购买过某种商品等，这类数据仅有正例可以明确区分开来，而负例不确定，故把该类问题称为单类协同过滤(One Class Collaborative Filtering，OCCF)问题。在单类协同过滤中，数据的获取不需要用户额外的努力，仅搜集用户与网页的自然交互信息，收集成本更低、应用场景更广、数据规模更大，因此，研究如何利用单类数据进行个性化推荐，具有重要价值。

目前，针对单类数据的个性化推荐已经开始得到研究者的关注，并有一些研究者就此进行了相关研究。这些研究主要从两个角度展开，一个角度是研究如何恰当的引入负例，以解决数据的高度不平衡性问题。另一个角度是研究如何恰当的利用额外的数据信息，以解决数据的高度稀疏性问题。尽管这些研究都在一定程度上减小了数据不平衡性或稀疏性对推荐结果的影响，但是一方面，已有研究大多是从单一角度进行，只孤立的考虑了对数据不平衡性和稀疏性的一个问题的改进。另一方面，近些年来，随着社交媒体的不断发展，对于数据中带有评分的推荐问题，融合社会化信息的推荐方法已被证明可以很好地提升推荐精度，但是，对于更加稀疏的单类数据，这方面的研究还很少。

发明内容

本发明为解决上述现有技术中存在的不足之处，提供一种融合社会化信息的改进单类协同过滤方法，以期能充分考虑用户群组及项目标签的社会化信息，综合解决单类协同过滤方法中数据的高度不平衡性和稀疏性问题，从而提高面向单类数据的项目推荐准确率。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种融合社会化信息的改进单类协同过滤方法的特点是按如下步骤进行：

步骤1、构造用户项目三元组P、项目标签三元组Q、用户标签三元组W和群组好友三元组G：

步骤1.1、令用户项目三元组P＝＜U，I，R＞表示用户对项目的历史选择信息；U表示用户集，并有U＝{U₁，U₂，…，U_i，…，U_|U|}；U_i表示第i个用户；I表示项目集，并有I＝{I₁，I₂，…，I_j，…，I_|I|}；I_j表示第j个项目；R表示历史选择信息矩阵，并有{R_i，j}_|U|×|I|；R_i，j＝1表示第i个用户U_i已选择过第j个项目I_j；R_i，j为空表示第i个用户U_i未选择过第j个项目I_j；1≤i≤|U|；1≤j≤|I|；

步骤1.2、令项目标签三元组Q＝＜I，T，B＞表示项目被标注的标签信息，用于表征项目的特征；T表示标签集，并有T＝{T₁，T₂，…，T_h，…，T_|T|}；T_h表示第h个标签；B表示项目标签矩阵，并有{B_j，h}_|I|×|T|；B_j，h表示第j个项目I_j被标注第h个标签T_h的次数；1≤h≤|T|；