[发明专利]基于半离散矩阵分解的物品推荐方法

说明书

本发明公开一种基于半离散矩阵分解的物品推荐方法。该方法包括：构建用户‑物品评分矩阵R，根据用户‑物品评分矩阵R训练矩阵分解模型，获得用户的实值特征矩阵P和物品的实值特征矩阵Q；根据P对用户独立执行聚类分析，获得用户的锚点特征矩阵E，根据Q对物品独立执行聚类分析，获得物品的锚点特征矩阵F；根据R、P、Q、E、F训练半离散矩阵分解模型，获得用户的二值编码矩阵B和物品的二值编码矩阵D；根据B和D还原评分矩阵根据R将中已观测评分位置的预估值置0，根据将预测分值最高的前设定数量个物品推荐给相应用户。本发明方法综合运用“点级”平滑和“组级”平滑技巧，有效弥补了离散矩阵分解模型编码损失较大的缺点，并大幅度提升了推荐精度。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于半离散矩阵分解的物品推荐方法。

背景技术

大数据时代，多元化网络平台与各类移动应用泛在互连，网络信息服务日益表现出“以用户为中心”的特点。如何有效挖掘用户的网络足迹，并为其提供精准的个性化服务已成为当下学术界和工业界共同关注的热点话题。在此背景下，推荐系统应运而生，在对抗信息过载并提供个性化信息服务方面扮演着重要角色。

协同过滤是构建个性化推荐系统的核心技术之一。现有协同过滤技术中的一种主流方法为MF(Matrix Factorization，矩阵分解)模型，通过分解“用户-物品”交互矩阵，构建用户和物品共享的实值特征空间；基于该特征空间，所有用户和物品被表示为低维实值向量。继而通过计算用户特征向量和物品特征向量内积的方式估计二者之间的相关性，并将相关性较高的物品推荐给相应用户。

上述MF模型的缺点为：随着在线用户和物品数量迅猛增长，MF模型的在线预测效率严重受限于在线用户和物品的数量，难以适用于大规模实时推荐任务。

MF模型的轻量化版本称为DMF(discrete matrix factorization,离散矩阵分解)模型，通过分解“用户-物品”交互矩阵，构建用户和物品共享的海明特征空间；基于该特征空间，该模型将向量空间下的用户、物品实值特征替换为海明空间内的二值编码，进而推荐任务可借助逻辑运算高效执行。

上述DMF模型的缺点为：由于二值编码较之实值特征携带信息量较小，使其推荐准确性严重受损。换言之，DMF模型以牺牲推荐精度为代价换取预测效率，使得DMF模型的推荐精度严重衰减。

发明内容

本发明的实施例提供了一种基于半离散矩阵分解的物品推荐方法，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。

一种基于半离散矩阵分解的物品推荐方法，包括：

构建用户-物品评分矩阵R，用于记录用户对物品的评分行为；

根据用户-物品评分矩阵R训练矩阵分解模型，获得用户的实值特征矩阵P和物品的实值特征矩阵Q；

根据用户的实值特征矩阵P对用户执行聚类分析，获得用户的锚点特征矩阵E，根据物品的实值特征矩阵Q对物品执行聚类分析，获得物品的锚点特征矩阵F；

根据R、P、Q、E、F训练半离散矩阵分解模型，获得用户的二值编码矩阵B和物品的二值编码矩阵D；

根据用户的二值编码矩阵B和物品的二值编码矩阵D还原评分矩阵根据R将中已观测评分位置的预估值置0，根据评分矩阵将预测分值最高的前设定数量个物品推荐给相应用户。

优选地，所述的构建“用户-物品”评分矩阵R，用于记录用户对物品的评分行为，包括：

构建“用户-物品”评分矩阵，用于记录用户对物品的评分行为，其中m、n分别表示用户、物品的数量，并对“用户-物品”评分矩阵R中的评分数据进行归一化处理，所述物品包括产品或者服务。