[发明专利]基于多关系隐式反馈置信度的协同过滤推荐方法

权利要求书

1.一种基于多关系隐式反馈置信度的协同过滤推荐方法，其特征在于，包括以下步骤：

步骤1，将用户多种类型行为下的隐式反馈数据重新进行筛选和划分，并定义为确定性目标反馈、确定性辅助反馈和非确定性反馈三类；

确定性目标反馈：如果用户u在主隐式反馈和至少一种类型辅助隐式反馈中选择过项目i，则将用户u和项目i组成的记录集合定义为确定性目标反馈：DT_u＝{(u,i)},其中u∈U，i∈FT_u；

确定性辅助反馈：通过置信度从用户u的多种类型辅助隐式反馈筛选出的数据中，如果用户u选择过项目k，则将用户u和项目k组成的记录集合定义为确定性辅助反馈：DA_u＝{(u,k)}，其中u∈U，k∈FA_u；

非明确性反馈：在用户u的确定性目标反馈和确定性辅助反馈中，如果项目j都没有被用户u选择过，则将用户u和项目j组成的记录集合定义为非明确性反馈：N_u＝{(u,j)}，u∈U，

步骤2，模型构建

模型的目标函数为：

其中，c_uk是计算的确定性辅助反馈的置信度；Θ＝{U,V,b}是矩阵分解模型的参数，regularization是正则化项，用来防止模型学习过程中出现过拟合；

采用矩阵分解模型对用户对项目的隐藏偏好进行建模，则

其中U∈R^d×m，V∈R^d×n，b∈Rⁿ，d是隐藏特征向量维度；

步骤3，计算确定性辅助反馈的置信度v_uk，从多种类型辅助反馈中筛选出确定性辅助反馈，其中，置信度c_uk的值越大，表示非确定性反馈与确定性反馈之间的相关性越大，可信度越高；

步骤4，定义以下偏序关系假设：

其中，x_ui表示用户u对于确定性目标反馈中的项目i的偏好，x_uk表示用户u对于确定性辅助反馈中的项目k的偏好，x_uj表示用户u对于非明确性反馈中的项目j的偏好；

针对每个用户u，训练学习一个排序模型f(u,i)，利用该排序模型可以为用户u产生相应的项目排序列表Ranked_list(I)：

f:

2.根据权利要求1所述的基于多关系隐式反馈置信度的协同过滤推荐方法，其特征在于，采用以下方法对所建模型进行模型训练和参数学习：

首先基于用户的主反馈和多种类型的辅助反馈，筛选出确定性主反馈，并采用步骤3中的置信度计算方法筛选出确定性辅助反馈；而后，随机采样偏序关系(u,i,k)和(u,k,j),其中i∈DT_u，k∈DA_u，j∈N_u；最后，计算目标函数关于各模型参数的梯度，在每次迭代过程进行更新。

3.根据权利要求1所述的基于多关系隐式反馈置信度的协同过滤推荐方法，其特征在于：

采用逻辑回归模型计算非确定性反馈与确定性辅助反馈之间的相关性，根据学习到的回归系数以及以下公式从多种类型非确定性反馈中筛选出确定性辅助反馈：

其中，A是多种类型辅助隐式反馈，x_a∈{0,1}代表第a种辅助隐式反馈，β₀和β_a是学习到的回归系数；

计算用户对于筛选出的确定性辅助反馈中的项目产生主反馈的可能性，即置信度c_uk：

其中A是多种类型辅助隐式反馈，σ为logistic sigmoid函数，为用户u对于产品k上的第a种辅助隐式反馈的值。

4.根据权利要求1所述的基于多关系隐式反馈置信度的协同过滤推荐方法，其特征在于：

采用基于树的特征选择方法计算各个非确定性反馈的重要性，并将计算到的重要性作为权重系数ω_a，则确定性辅助反馈的置信度c_uk为：

其中，A是多种类型辅助隐式反馈，为用户u对于产品k上的第a种辅助隐式反馈的值，ω_a是采用基于树的特征选择模型学习到的权重系数；

设定阈值η，其中η∈(0,1)，根据c_uk是否大于阈值η来决定是否将用户对该产品产生的辅助反馈筛选为确定性辅助反馈。