[发明专利]一种多标签分类的手机应用推荐系统及其方法

说明书

本发明属于大数据和数据挖掘推荐系统技术领域，尤其是一种多标签分类的手机应用推荐系统及其方法。本发明的系统包括：数据获取模块、数据处理模块、数据存储模块、业务逻辑模块、显示模块等五个模块。提出了一种基于随机游走算法的多标签分类算法，将多标签数据映射成为多标签随机游走图。当输入一个未分类数据时，建立一个多标签随机游走图系列。而后对图系列中的每个节点随机游走，得到遍历每个顶点的概率分布，并将这个点概率分布转化成每个标签的概率分布。本发明解决用户兴趣多样性推荐的问题以及用户兴趣不断变化带来的推荐运算复杂度增长的问题，得到较传统的推荐技术更加灵活的推荐技术，提高了推荐质量。

技术领域

本发明涉及大数据和数据挖掘推荐系统技术领域，尤其是一种多标签分类的手机应用推荐系统及其方法。

背景技术

社交网络随着Internet用户的普及已经逐渐代替我们传统的信息获取渠道，如报纸、杂志、电视新闻等，成为大多数人第一时间接收信息的一种方式。例如国外的Facebook、Twitter，国内的微博、人人网等。大家通过发消息与状态，发布自己所要表达的信息，通过转发与分享其他人的消息与状态，去扩散从其他人那里得到的信息。这涉及到结点影响度的问题，即一个被所有人关注的结点，它所发布的信息能被所有人看到，一个关注所有人的结点，它能看到所有人发布的信息。当然，我们的精力是有限的，用户不可能通过自己去寻找，然后手动关注所有用户可能会感兴趣的内容。所以需要研究如何去有效地向用户推荐他们会感兴趣的内容。

在网络服务中，各用户之间的直接或间接的联系是实现推荐的基础。目前，主流的推荐算法主要分为3类：1、基于内容的推荐；2、基于协同过滤；3、关联规则推荐。基于内容的推荐，要求内容能容易抽取成有意义的特征，要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况。协同过滤推荐，虽然作为一种典型的推荐技术有其相当的应用，但协同过滤仍有许多的问题需要解决。最典型的问题有稀疏问题和冷启动问题。基于关联规则的推荐，算法的第一步关联规则的发现最为关键且最耗时的，是算法的瓶颈，但可以离线进行。其次，商品名称的同义性问题也是关联规则的一个难点。因此，前两者随推荐的物品的不同，所受局限性也不同。基于关联规则的推荐，把已购商品作为规则头，规则体为推荐对象。关联规则挖掘可以发现不同商品在销售过程中的相关性，在零售业中已经得到了成功的应用，具有广泛的应用前景。

随机游走又称随机游动或随机漫步，在实际生活中，就存在很多与随机游走有关的现象，如醉汉的行走轨迹、股票价格的变动以及滴入水中的墨水扩散等。随机游走本质上是一种随机化描述方法，并且被认为是马尔科夫链的一种典型的表现形式。随机游走过程中的每一步状态转移都可以用概率进行描述，因此非常适合于描述图节点之间的状态转移关系。不失一般性，假设存在一个无向有权图G＝(V,E,W)，其中V、E和W分别代表节点集合、边集合以及边权重集合，n＝|V|表示节点数量，W＝[W_ij]_nxn，W_ij为节点υ_i和υ_j之间的联系边的权重，且W_ij＝W_ji。那么在图G上的一次随机游走指的是首先从某一个节点开始，然后在每一步中按照某个概率值跳转到下一个邻居节点，直至在某一个节点结束游走的过程。

其过程分为两个阶段：(1)引导阶段。只使用节点属性特征信息，分配初始化类别标签给每一个V中的节点。随机游走算法采用贝叶斯多项式文本分类模型学习每一个节点的初始化标签分布。(2)迭代推理阶段。该阶段迭代地应用推断算法对每一个V中的节点进行分类，一直到终止条件满足。在步骤t，每一个节点都采用步骤t-1中邻居节点的标签分布加权和作为其在步骤t中产生的标签分布。