[发明专利]一种基于用户评分预测用户对项目属性偏好的系统及方法

说明书

本发明请求保护一种基于用户评分预测用户对项目属性偏好的系统及方法，其包括：显性用户偏好相似度计算模块、隐性用户偏好相似度计算模块及预测模块，其中显性用户偏好相似度计算模块通过用户‑项目‑属性三分图表示用户对项目属性的偏好，计算显性用户在属性偏好上的相似性；隐性用户偏好相似度计算模块，用于结合知识图谱从用户历史交互项目出发，沿着知识图谱有向传播能很好的刻画出用户的隐藏偏好，计算出用户在隐藏偏好上的相似性；预测模块，用于通过线性拟合得到最终的用户相似性，通过用户相似性得到指定用户的最近邻邻居后通过评分预测公式来预测用户对未评分项目的评分。

技术领域

本发明属于推荐系统领域所关注的数据稀疏性问题，具体来说是通过引入各种辅助信息来更好的描述用户的相似性，通过显性偏好刻画和隐形偏好刻画来互相补充，使得推荐的结果在具有可解释性上更精确。

背景技术

目前，推荐算法大致分为基于内容的推荐、基于协同过滤的推荐、混合推荐。其中协同过滤算法是应用最为广泛的且最有效的推荐算法。其基本思想是利用用户和物品历史的反馈数据，挖掘用户和物品本身的相关联性，并基于此进行推荐排序。具体地，协同过滤推荐又被分为3类：基于用户的协同过滤推荐，基于物品的协同过滤推荐，基于模型的推荐。基于用户的协同过滤方法是基于假设“用户可能喜欢与他相似用户喜欢的物品”，通过用户历史反馈记录计算用户间的相似度，利用其相似的用户对物品的反馈来预测对应用户的反馈情况并进行推荐。这类方法的主要优点在于避开了对物品自身属性的特征挖掘，但是在实际应用中我们会发现当我们在使用用户历史行为数据来构建用户-项目评分矩阵的时候随着系统上的用户和项目的数量逐渐增多使得评分矩阵变大，然而其中的每一位用户评分过少因此会产生数据稀疏的问题。为了解决这类问题，我们提出了基于用户对项目评分来预测用户对项目属性偏好的方法。其次，我们还考虑到用户偏好相似度仅仅通过用户评分来刻画并不全面，所以我们结合知识图谱，从用户的历史交互项目出发，沿着知识图谱上有向的传播用户的偏好能很好的刻画用户隐藏偏好相似性。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于用户评分预测用户对项目属性偏好的系统及方法。本发明的技术方案如下：

一种基于用户评分预测用户对项目属性偏好的系统，其包括：显性用户偏好相似度计算模块和隐性用户偏好相似度计算模块，其中

显性用户偏好相似度计算模块通过用户-项目-属性三分图表示用户对项目属性的偏好，计算用户在项目属性偏好上的相似性；

隐性用户偏好相似度计算模块，用于结合知识图谱从用户历史交互项目出发，沿着知识图谱有向传播能很好的刻画出用户的隐藏偏好，计算出用户在隐藏偏好上的相似性；

预测模块，用于通过线性拟合得到最终的用户相似性，通过用户相似性得到指定用户的最近邻邻居后通过评分预测公式来预测用户对未评分项目的评分。

进一步的，所述显性用户偏好相似度计算模块通过用户-项目-属性三分图表示用户对项目属性的偏好，计算用户在项目属性偏好上的相似性，具体包括：

用户集：

商品集：

属性集：

F表示用户Un对商品Im的评分，如下：

F＝{f(Un,Im)|n＝1,2,3m＝1,2,3,4}

若用户对商品没有评分，则记f(Un,Im)＝0

G表示商品Im是否具有属性Ak，如下：

G＝{g(Im,Ak)|m＝1,2,3,4k＝1,2,3,4,5}其中

P表示用户Un评价的所有属性中Ak所占的比例；

D表示用户Un对属性Ak的偏好程度即属性得分，如下：