[发明专利]基于哈希学习的轻量级社会化推荐方法

说明书

本发明提供了一种基于哈希学习的轻量级社会化推荐方法。该方法包括：构建用户‑物品评分矩阵和用户‑用户社交网络，通过对用户‑用户社交网络施加截断式随机游走和负采样，生成社交语料；根据用户‑物品评分矩阵和社交语料训练离散矩阵分解与连续网络嵌入混合模型，得到二值化的用户特征矩阵和物品特征矩阵；根据用户特征矩阵和物品特征矩阵预估用户对未评分物品的偏好分值，并将预估分值最高的一个或者多个未评分物品推荐给用户。本发明所述方法与当下主流的实值化推荐方法性能相当，但由于采用了轻量级模型设计思想，所获二值化用户和物品特征具有更低的计算和存储开销。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于哈希学习的轻量级社会化推荐方法。

背景技术

作为信息检索系统的有效补充手段，推荐系统在提供个性化信息服务方面发挥着重要作用。协同过滤是构建个性化推荐系统的核心技术；在众多协同过滤方法中，矩阵分解是当下最主流的方法之一。矩阵分解的核心思想是通过分解一个部分观测的“用户-物品”交互矩阵(简称UI矩阵)，将用户和物品映射到同一个低维隐空间，继而根据用户和物品隐特征向量间内积预测未观测的“用户-物品”相关性。通常情况，已观测的“用户-物品”交互记录仅占UI矩阵中很小一部分，即所谓的“数据稀疏”问题，这种稀疏性严重制约了矩阵分解模型的性能。

随着社交媒体的普及，一些学者尝试利用用户间的社交关系缓解UI矩阵稀疏问题，进而催生了社会化推荐系统。传统的社会化推荐方法直接扩展矩阵分解模型，基于启发性策略使用社交数据，代表性方法如SoRec模型、SoReg模型等。近年来学者们将矩阵分解模型与网络嵌入模型相结合，以期更大程度地利用和挖掘社交数据，代表性方法如CUNE模型、GraphRec等。

另一方面，随着在线用户和物品数量的与日俱增，推荐系统面临严峻的实时性挑战，在此背景下离散协同过滤模型应运而生，该模型将欧式空间下的实值用户和物品隐表示替换为海明空间内的二值编码，进而节省了计算和存储开销。但是，二值编码较之实值表示具有较少的信息量，使其推荐准确性略微受损；换言之，离散协同过滤模型采用一种“以性能换效率”的处理思路。为进一步弥补离散协同过滤模型的性能损失，学者们进一步设计了离散社会化推荐(discrete social recommendation，DSR)模型，以补偿二值编码造成的性能损失。本质上，该模型是传统社会化推荐模型SoRec的二值化版本，未能结合最新的网络嵌入研究成果处理社交数据，其推荐准确性有待进一步提升。

现有技术中的离散社会化推荐模型DSR存在两个弊端：

1)DSR模型通过共享变量的方法学习用户的社交表示，该方法仅考虑每个用户与其一阶近邻的直接联系，忽略了用户与其高阶近邻的间接联系，所获用户社交特征有待进一步改进；

2)由于采用共享变量设计思路，DSR模型学得的用户社交特征也是二值形式；但由于用户社交表示仅作为建模过程中的副产品并不参与最后的推荐计算，而二值表示相比于实值表示携带信息量较少，因此造成了不必要的编码损失。

发明内容

本发明的实施例提供了一种基于哈希学习的轻量级社会化推荐方法，以克服现有技术的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种基于哈希学习的轻量级社会化推荐方法，包括：

S1、构建用于记录用户对物品的评分行为的用户-物品评分矩阵，并对所述用户-物品评分矩阵中的评分数据进行归一化处理；

S2、构建用于记录用户间的连接关系的用户-用户社交网络，通过对所述用户-用户社交网络施加截断式随机游走和负采样，生成社交语料；

S3、根据所述用户-物品评分矩阵和社交语料训练离散矩阵分解与连续网络嵌入混合模型，得到二值化的用户特征矩阵和物品特征矩阵；