[发明专利]基于item边CCA对齐的跨域推荐方法

说明书

本发明公开了基于item边CCA对齐的跨域推荐方法，属于跨域推荐技术领域。本方法对辅助域与目标域中的item边按典型相关系数进行线性对齐；将辅助域中对齐后的item隐含空间特征矩阵进行迁移，避免了辅助域的user特征对目标域user特征的干扰。此外，本发明在UV分解过程中保留了目标域的user特征约束，使得item的迁移过程兼顾了辅助域的item特征，并强调了目标域的user特殊性。因此，本发明所提出的CIAM不仅考虑了辅助域item对目标域item的相似性学习问题，还考虑了目标域的user特点，减轻了跨域推荐的“过拟合迁移”问题。

技术领域

本发明涉及基于item边CCA对齐的跨域推荐方法，属于跨域推荐技术领域。

背景技术

推荐问题包含了3个主体user，item，rating，分别表示在特定领域(如电影)中用户user对某一电影item的评分rating，其目标是根据观测的user，item，rating数据，判断未知的user-item的rating。根据推荐算法的研究对象，可以将推荐算法分为基于内容推荐、协同过滤推荐及基于因子分解推荐。其中基于内容推荐类算法，以item的上下文内容为研究对像，通过语义及标签分析，将内容相似的item作为推荐对象；协同过滤推荐算法，例如UserCF和ItemCF，以user-user或item-item的关联为研究对象，分析user-user或item-item的相似性，并将相似性高的user-user或item-item作为推荐的参照，以补全未知rating；基于因子分解的推荐算法，以user-item间的潜在关联因子作为研究对像，通过分析rating矩阵的分解方法，找到user与item的关联因子，并依据该关联因子对未知rating进行预测。

推荐系统面临的难题在于在某一特定领域(如电影)中观测数据的稀疏性，即在观测数据user，item，rating数量较少，会导致对特定user-item的rating预测产生误差。因此，若能综合用户在多个领域的观测数据，对某一领域进行辅助分析，可以提高该领域的推荐精度。对此，跨域推荐算法孕育而生，并逐渐成为推荐系统的研究焦点。跨域推荐问题的思路，如何准确挖掘辅助域与目标域之间的关联，以及如何有效利用域间关联，对目标域的rating进行预测。对此，“迁移学习”成为解决跨域推荐问题的主要方法。其主要实现过程是找到辅助域与目标域中的“共通因子模型”，利用数据挖掘方法将辅助域中的“共通因子模型”进行训练。训练后的共通因子模型转移到目标域中，并在目标域中指导目标域的rating预测。在构建跨域推荐问题的迁移模模型时，有以下几方面难点问题。

1)迁移模型的可描述性：对于跨域推荐问题，其关键问题在于发现域间的共同属性，因此，若迁移模型可准备描述辅助域或目标域的某一属性，则可对域间的迁移模型进行准确匹配。因此，可描述性表达了迁移模型的合理性，可直接影响迁移学习的效果。

2)迁移模型的共通性：为解决此类问题，需要主要在模型的构建过程中，将域间的共同因子作为迁移模型构建目标。若迁移模型所表达的域间的共同因子越准确，则跨域推荐的效果越好。

3)迁移模型的完备性：由于辅助域与目标域所面向的领域不同，因此好的迁移模型，不仅需要准确表达域间的共同因子，而且需要保证共同因子的数据满足辅助推荐的需要。其中充足共同因子数量可充分描述域间的共同轮廓，可有效提高跨域推荐的准确性。

本发明所提出的(基于item边CCA对齐的跨域推荐方法)CIAM算法利用CCA将辅助域与目标域的item边进行对齐，并在目标域进行推荐求解时保留了目标域中的user特征。该方法可提高辅助域item边的辅助作用，并可避免辅助域user边对目标域user边的影响，可有效地提高跨域推荐的准确性。

发明内容

本发明的目的是提出基于item边CCA对齐的跨域推荐方法，以解决EK-PHD滤波器在新生目标强度未知的情况下无法跟踪目标的问题。

基于item边CCA对齐的跨域推荐方法，所述方法包括以下步骤：