[发明专利]结合成对优化和矩阵分解的产品推荐方法及系统

说明书

本公开公开了结合成对优化和矩阵分解的产品推荐方法及系统，获取用户对产品的评分矩阵和用户之间的社交关系矩阵；根据用户对产品的评分矩阵对产品进行聚类，将产品划分为若干簇；将用户对产品的评分矩阵和用户之间的社交关系矩阵，映射为带权邻接矩阵；定义用户‑产品二分图，在用户‑产品二分图上运用随机游走算法对带权邻接矩阵进行填充，得到概率矩阵；基于产品被划分的簇，建立基于成对优化pairwise的目标函数；基于目标函数对概率矩阵进行矩阵分解，以目标函数值最小为目标，得到分解后的矩阵和产品推荐列表。

技术领域

本公开涉及产品个性化推荐技术领域，特别是涉及结合成对优化和矩阵分解的产品推荐方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

基于协同过滤的推荐算法是目前最流行的推荐算法，因其对各个领域较强的兼容性和较为可观的推荐性能，受到了许多研究者的青睐。目前，协同过滤算法有两个比较流行的研究方向：1、隐因子模型(Latent Factor Model)2、图模型(Graph-based Model)。隐因子模型的代表方法是矩阵分解，在推荐系统中的主要应用是将用户的评分矩阵进行降维并重组，从而完成对未知评分的预测。图模型的代表方法是随机游走(Random Walk)，随机游走算法是基于概率转移的推荐算法，旨在发现用户产品间的高次相似度。矩阵分解模型对数据的质量依赖性较高，在大规模数据集的精度表现较差；传统的随机游走算法在计算状态转移时仅仅考虑了用户-产品二分图中用户-产品顶点间的相关性却忽视了用户与用户间的相关性。

近来，一些学者将排序思想带入了推荐系统，目前应用最广泛的基于排序的推荐模型是基于pairwise模型的推荐算法，一种将偏序关系作为优化目标的方法，但是当前对pairwise的研究工作存在以下问题：1、时间复杂度高；2、结果可解释性差；3、忽视偏序关系的权重。

发明内容

为了解决现有技术的不足，本公开提供了结合成对优化和矩阵分解的产品推荐方法、系统、设备及介质；

第一方面，本公开提供了结合成对优化和矩阵分解的产品推荐方法；

结合成对优化和矩阵分解的产品推荐方法，包括：

获取用户对产品的评分矩阵和用户之间的社交关系矩阵；

根据用户对产品的评分矩阵对产品进行聚类，将产品划分为若干簇；

将用户对产品的评分矩阵和用户之间的社交关系矩阵，映射为带权邻接矩阵；

定义用户-产品二分图，在用户-产品二分图上运用随机游走算法对带权邻接矩阵进行填充，得到概率矩阵；

基于产品被划分的簇，建立基于成对优化pairwise的目标函数；基于目标函数对概率矩阵进行矩阵分解，以目标函数值最小为目标，得到分解后的矩阵和产品推荐列表。

第二方面，本公开还提供了结合成对优化和矩阵分解的产品推荐系统；

结合成对优化和矩阵分解的产品推荐系统，包括：

获取模块，其被配置为获取用户对产品的评分矩阵和用户之间的社交关系矩阵；

聚类模块，其被配置为根据用户对产品的评分矩阵对产品进行聚类，将产品划分为若干簇；

映射模块，其被配置为将用户对产品的评分矩阵和用户之间的社交关系矩阵，映射为带权邻接矩阵；

填充模块，其被配置为定义用户-产品二分图，在用户-产品二分图上运用随机游走算法对带权邻接矩阵进行填充，得到概率矩阵；