[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

说明书

本发明涉及协同过滤算法技术领域，具体涉及一种基于用户动态行为相似性的在线协同过滤内容推荐算法，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，大多线上或线下协同过滤算法都假定用户兴趣在整个过程中保持不变。但是用户偏好以及商品的受欢迎程度都是随时间不断变化的，所以在线协同过滤的参数是随时间相关动态更新。在线协同过滤算法过程中，用户的近邻也是不断变化的。因此为了提高推荐的准确率，我们将动态的信息考虑加入推荐算法并将近邻算法融入在线协同过滤算法中，提出一种基于用户动态行为相似性的在线协同过滤推荐算法。通过MovieLens100K,MovieLens1M and HetRec2011三个数据集实验发现本算法相比于其他算法有一定的优势。

技术领域

本发明涉及协同过滤算法技术领域，具体涉及一种基于用户动态行为相似性的在线协同过滤内容推荐算法。

背景技术

协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应(如评分)并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。

Tapestry(1992)

这是最早应用协同过滤系统的设计，主要是解决Xerox公司在Palo Alto的研究中心资讯过载的问题。这个研究中心的员工每天会收到非常多的电子邮件却无从筛选分类，于是研究中心便发展这项实验性的邮件系统来帮助员工解决这项问题。其运作机制大致如下：

个人决定自己的感兴趣的邮件类型；个人旋即随机发出一项资讯需求，可预测的结果是会收到非常多相关的文件；从这些文件中个人选出至少三笔资料是其认为有用、会想要看的；系统便将之记录起来成为个人邮件系统内的过滤器，从此以后经过过滤的文件会最先送达信箱；以上是协同过滤最早的应用，接下来的里程碑为GroupLens。

与在线协同过滤算法相比，大部分协同过滤算法是基于线下和批量学习的方法。协同过滤算法主要有三大不足：(1)每次都需重新批量训练模型；(2)不能很好地捕捉用户兴趣偏移；(3)忽略商品受欢迎程度的变化。大多线上或线下协同过滤算法都假定用户兴趣在整个过程中保持不变。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于用户动态行为相似性的在线协同过滤内容推荐算法，为了提高推荐的准确率，我们将动态的信息考虑加入推荐算法并将近邻算法融入在线协同过滤算法中。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

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。

优选的，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)：