[发明专利]基于用户动态行为相似性的在线协同过滤内容推荐算法

权利要求书

1.基于用户动态行为相似性的在线协同过滤内容推荐算法，其特征在于：所述算法包括用户特征矩阵P、商品特征矩阵Q和用户商品评分矩阵R，所述用户特征矩阵P，每个用户的特征向量P_u，P∈R^k×m；m表示用户数量，所述商品特征矩阵Q，每个商品的特征向量Q_i，Q∈R^k×n；n表示商品数，所述用户商品评分矩阵R，R∈R^n×m，r_u，i表示用户u对商品i的评分k表示潜在特征向量，k的大小远远小于m和n。

2.根据权利要求1所述的基于用户动态行为相似性的在线协同过滤内容推荐算法，其特征在于：公式(1)用于预测未评分项：

最小化公式(2)获得最优化矩阵P和Q

||·||_F表示Frobenius范数，公式(2)可写为公式(3)：

l函数表示预测值与真实值之间的差。最普遍的测量误差的方法为均方根误差(RMSE)和绝对值误差(MAE)

|C|表示C的数量；表示预测评分；r_u，i表示已经评分。

为优化RMSE，我们定义损失函数为(4)：

3.根据权利要求1所述的基于用户动态行为相似性的在线协同过滤内容推荐算法，其特征在于：包括结合动态更新以及近邻规则的在线协同过滤算法OCFDR，所述OCFDR的核心主要包括三个部分：1.计算动态变化，如每个用户平均动态，每个用户的动态偏置以及每个商品的动态偏置。2.每轮动态更新用户及商品的特征向量；3.将近邻加入因素加入，跟踪用户的喜好偏移。

4.根据权利要求2所述的基于用户动态行为相似性的在线协同过滤内容推荐算法，其特征在于：算法中预测评分公式变为(5)：

其中，μ表示所有评分的评价值，b_u表示用户偏置，b_i表示商品偏置。用户偏置表示用户的内在趋势。例如，有些用户倾向于比其他用户更高的评级。项目偏置表示项目的固有属性。例如，有些项目比其他项目获得更高的评级。这两种偏置都与用户的交互无关。

5.根据权利要求1所述的基于用户动态行为相似性的在线协同过滤内容推荐算法，其特征在于：为优化RMSE，我们定义损失函数为(6)：

我们提出的OCFDR算法1为OCFDR_I：

其中p(u)表示行边际，例如，用户的已知某行可能性，q(i)表示列边际，例如，商品的已知某列的可能性。

我们可将公式(7)分别针对P_u，Q_i，b_u，b_i求导便可解耦为以下四个公式(8)(9)(10)(11)：

随机梯度下降法是有效地优化和在线学习。它便于分析，且应用广泛。我们采用随机梯度下降法分别优化，然后便可得到更新公式(12)(13)(14)(15)：

其中η表示学习率参数，每一步(u,i,r)确定后，P_u，Q_i，b_u，b_i会被更新。优化RMSE之后我们会得到相应的等式(16)(17)(18)(19)

其中，是预测得到的评分，r_u，i是实际已知得分。