[发明专利]一种基于项目类别和用户偏好的推荐方法

说明书

本发明公开了一种基于项目类别和用户偏好的推荐方法，根据用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B，对三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’，根据三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q，最后根据填补后的评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O，再根据推荐程度矩阵O中用户对应的各个项目推荐程度值的排序，向所述用户推荐若干个项目。采用本发明实施例，不仅考虑了项目的类别信息，也考虑了用户的偏好信息，有助于提升推荐质量，具有更好的推荐效果。

技术领域

本发明涉及智能推荐技术领域，尤其涉及一种基于项目类别和用户偏好的推荐方法。

背景技术

传统的推荐方法主要是依据用户对项目的评分来进行推荐，而在实际的推荐系统中，所能获得的数据除了用户对项目的评分，通常还包括项目的分类情况。譬如，小说可以分为科幻、历史、言情等类别，电影可以分为喜剧、战争、动画等类别。传统的推荐方法仅仅依据评分数据进行推荐，而忽略了项目的类别信息，推荐效果不佳。

现有技术都是采用一些算法对空缺的评分数据进行预测或估计(通常，项目数量巨大，用户只对很少的项目有评分，因此评分数据是很稀疏的)，然后直接依据预测或估计的评分进行推荐，并没有结合或考虑用户的偏好信息。以书籍推荐为例，如果某用户从未接触过历史类型的书籍，但在填补后的评分数据中，可能出现某些历史类型的书籍被该用户评了高分(不是该用户评的，而是被填补的)而被推荐，因为有一些与他相似的用户给历史类型书籍评了高分。如果某用户特别偏爱历史类型的书籍，对历史类型书籍的评分明显高于其他用户，那么有可能因为其他用户对历史类型书籍的评分过低，而导致历史类型的书籍被该用户评分(不是该用户评的，而是被填补的)过低而不被推荐。可见，现有技术直接依据填补后的评分数据进行推荐，而没有考虑用户的偏好信息，推荐效果不佳。

发明内容

本发明实施例提出一种基于项目类别和用户偏好的推荐方法，不仅考虑了项目的类别信息，也考虑了用户的偏好信息，有助于提升推荐质量，具有更好的推荐效果。

本发明实施例提供一种基于项目类别和用户偏好的推荐方法，包括：

获取所有的用户评分信息和项目类别信息，并根据所述用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B；

对所述三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’；

根据所述三维评分张量A和三维兴趣张量B，构建类别偏好矩阵P和评分偏好矩阵Q；

根据预设的权重，结合所述填补后的三维评分张量A’、类别偏好矩阵P和评分偏好矩阵Q，获得推荐程度矩阵O；

根据在所述推荐程度矩阵O中用户对应的各个项目推荐程度值的排序，向所述用户推荐若干个项目。

进一步的，所述根据所述用户评分信息和项目类别信息，构建三维评分张量A和三维兴趣张量B，具体为：

三维评分张量A中的元素为A_uic；三维兴趣张量B中的元素为B_uic；

若用户u对项目i有评分，且项目i属于类别c，则A_uic为评分值，B_uic为1；否则，A_uic和B_uic均为0，其中，u，i和c分别表示用户、项目和类别的编号。进一步的，所述对所述三维评分张量A中的空缺值进行评分填补，得到填补后的三维评分张量A’，具体为：

设置张量填补的秩约束τ和最大迭代次数T；

初始化一个与所述三维评分张量A具有相同维度的临时张量X；

迭代计算，直到达到最大迭代次数T，每次迭代首先计算所述临时张量X的可行下降方向S，然后更新所述临时张量X的值；