[发明专利]一种基于协同过滤的物品推荐方法、存储介质及服务器

说明书

本发明公开一种基于协同过滤的物品推荐方法、存储介质及服务器，方法包括步骤：获取近邻用户特征向量和近邻物品特征向量，采用不同组合方式形成多种邻域信息；将所述领域信息融合到与其相对应的协同过滤推荐模型中，根据融合模型预测得出用户偏好的物品列表并推荐给用户。本发明针对不同的问题选取不同的协同过滤推荐模型，并将相应的邻域信息融合到所述协同过滤推荐模型中，实现全局信息与邻域信息的融合，通过两种信息的融合互补能够更加准确地预测用户偏好的物品列表，从而将物品有效推荐给用户。

技术领域

本发明涉及物品推荐领域，尤其涉及一种基于协同过滤的物品推荐方法、存储介质及服务器。

背景技术

在用户数据建模问题中，用户显示反馈数据建模问题是最经典的推荐算法求解问题，其目标在于根据用户历史评分数据构建模型学习用户的偏好，即求出用户对其他物品的预测评分，这里的评分对应了用户对物品的偏好程度，根据所述偏好程度可得出更好的推荐效果。面向用户显示反馈数据建模的经典推荐算法有很多，基于模型的协同过滤算法根据训练准则不同，可以具体分为pointwise和pairwise两种。基于pointwise是指训练过程中，只采样单个用户和物品，在一定的迭代次数范围内不断优化训练函数，而基于pairwise是指采样单个用户和两个物品，训练函数中将两个物品的矩阵乘积作差，从而对差值进行优化。基于pointwise方法中比较典型的为概率矩阵分解(Probabilistic MatrixFactorization,PMF)模型，该模型将用户对物品的预测评分分解成用户特征向量和物品特征向量的乘积并进行优化。此外还有增强的奇异值分解(Enhanced Singular ValueDecomposition,SVD++)模型，该模型同样是通过矩阵分解的方式，将潜在向量模型和物品间相似度模型进行融合，使得融合后的模型比单一模型的效果更好。多类别偏好上下文学习(Matrix Factorization with Multiclass Preference Context,MF-MPC)模型则是从用户评分反馈的类别角度出发，提出在求解面向用户显式反馈数据建模问题时，通过更细粒度的多类别偏好上下文信息来构建模型。相比PMF模型，SVD++模型在构建模型时考虑了单类别评分反馈的上下文信息，也就是将虚拟用户的特征向量转换成已评价过的物品特征向量表示，并添加到原有的矩阵分解模型中，从而提高了整体模型的推荐效果。而MF-MPC模型则利用多类别偏好上下文偏好信息，具体是将每个用户对物品的评分划分为一个评分类别，所有用户的评分则构成一个评分类别集合，相当于SVD++模型是MF-MPC模型的一个特例。

在现实场景中，互联网平台收集到的用户数据更多的是隐式反馈或是单类反馈，具体是将用户的行为用二元值形式来表示，1表示评价过，0表示未评价过。这类数据相比用户显式反馈数据更容易收集和存储，因此关于用户隐式反馈数据建模的推荐算法研究受到越来越多的关注。按照协同过滤推荐算法的思想，用户隐式反馈数据建模同样是根据用户历史数据，来预测用户未来可能的行为，其目的是生成面向用户的个性化物品排序列表。面向用户隐式反馈数据建模的推荐算法里最具代表性的是权值回归矩阵分解(WeightedRegression Matrix Factorization,WRMF)模型，该模型将矩阵分解的方式应用在用户隐式反馈数据建模问题上。WRMF模型认为数据集中观测到的用户物品对(u,i)，属于正样本，也就是用户u喜欢或评价过的物品i。而在数据集中未观测到的则归为负样本，但是正样本和负样本都存在一个置信度问题。WRMF模型提出基于用户u对物品i产生的行为次数越多，则可信度越大的假设。同样是面向用户隐式反馈数据建模，基于pointwise的FISM模型，在相同数据集上的实验效果要比WRMF的好。FISM模型将用户u对物品i预测偏好转换成物品i与物品j的相似度之和，结合矩阵分解的思想，将物品间相似度表示成两个物品特征矩阵的乘积。