[发明专利]基于带权贝叶斯个性化排序的强时序性项目推荐方法及系统

说明书

本发明在传统的基于贝叶斯个性化排序的推荐方法基础之上，公开了一种基于带权贝叶斯个性化排序的强时序性项目推荐方法及系统，属于推荐系统领域。本发明基于隐式反馈数据集提取出所有表示同一用户对两个不同项目的喜好程度偏序关系的三元组，通过引入偏序关系三元组的可信度作为每个偏序关系三元组对应项的权重系数，该方法能使得更可信的偏序关系三元组产生的训练效果更强、更不可信的偏序关系三元组产生的训练效果更弱。偏序关系三元组的可信度由相关项目的时序信息计算得出，所以最终训练完成的模型中将包含对于推荐项目时序信息的考虑，在处理具备较强时序性的推荐项目时能取得更好的效果，相比于传统方法能更好地处理具备较强时序性的推荐项目。

技术领域

本发明涉及推荐系统领域，尤其涉及一种基于带权贝叶斯个性化排序的强时序性项目推荐方法及系统。

背景技术

推荐系统的发展已有多年历史，在众多场景都有应用。传统推荐系统将用户对于项目的喜好程度视作一个矩阵，称为用户项目矩阵，矩阵的第i行第j列表示第i个用户对于第j个项目的喜好程度。用户项目矩阵中有部分数值是已知的，传统推荐系统需要根据这些已知的数值预测出矩阵中剩余部分的数值。在补全整个用户项目矩阵后，传统推荐系统最终依据矩阵中数值的高低向用户推荐项目。

用户对于项目的喜好程度信息一般可以分为两类：

(1)显示反馈(explicit feedback)。用户对项目的喜好程度信息是显式的，比如在线观影平台用户对于电影的评分，评分的高低能直接反映用户对于项目的喜好程度。

(2)隐式反馈(implicit feedback)。用户对项目的喜好程度信息是隐式的，比如在线观影平台用户的观影记录，观影记录只能间接反映用户对于项目的喜好程度。用户对于自己选择观看的电影有较大概率是喜欢的，用户未必不喜欢自己尚未选择观看的电影。总结隐式反馈的特征，隐式反馈包含噪音且只有正例、没有负例。

目前，现有技术中存在一些常规的推荐系统，如基于传统的贝叶斯个性化排序的自适应k近邻推荐模型(Adaptive KNN)等，使用用户项目矩阵中已知的数值对该模型参数进行训练，最终在参数训练完成后通过该模型预测用户项目矩阵中未知的数值。其对于一般的商品推荐等效果很好，举例而言，甲商品和乙商品都是值得向用户推荐的商品，假如用户已购买甲商品则可以向用户推荐乙商品，假如用户已购买乙商品则可以向用户推荐甲商品。

但是针对一些具有强时序性的项目，如题目、音乐、书籍、电影，用户对这些领域的项目的喜好程度是逐渐变化的。以题目为例，初始时用户喜好较简单的题目，随着用户不断学习、提升，用户喜好的题目也将越来越难、越来越复杂。用户在做了难度更大的题目后往往不会再对相较而言更简单的题目感兴趣了。若甲题目和乙题目都是值得向用户推荐的题目，这两道题目考察的知识点类似，但难度不同，乙题目比甲题目更难。假如用户已经做了甲题目则可以向用户推荐乙题目。但是，假如用户已经做了乙题目，此时向用户推荐甲题目未必是一个明智的选择。

因此，对于这些具备强时序性的项目，需要研究一种适合的推荐方法和推荐系统。

发明内容

针对传统的推荐方法在处理具备较强时序性的推荐项目时的不足，本发明提出了一种基于带权贝叶斯个性化排序的强时序性项目推荐方法及系统。通过引入偏序关系三元组的可信度作为每个偏序关系三元组对应项的权重系数，该方法能使得更可信的偏序关系三元组产生的训练效果更强、更不可信的偏序关系三元组产生的训练效果更弱。偏序关系三元组的可信度由相关项目的时序信息计算得出，所以最终训练完成的模型中将包含对于推荐项目时序信息的考虑，在处理具备较强时序性的推荐项目时能取得更好的效果。

本发明提供了如下技术方案：

一种基于带权贝叶斯个性化排序的强时序性项目推荐方法，包括以下步骤：