[发明专利]基于个性化召回算法LFM的图书推荐方法

说明书

本发明公开了基于个性化召回算法LFM的图书推荐方法，建立基于个性化召回算法LFM的图书推荐方法，LFM通过奇异值矩阵分解SVD处理评分矩阵，得到用户的潜在特征，以此评分缺失项目；引用强化学习方法以提升图书推荐的精确性和多样性，通过研究传统的LFM算法与深度学习中的梯度下降方法相结合，应用于最终设计的图书推荐模型上，在保证精准推荐结果的前提下，并引入了图书的负评分数据，以防止推荐结果的极端化，增加图书推荐的整体多样性。本方法利用深度强化学习方法，通过梯度下降方法得到基础公式，在公式的改进上加上损失函数和正则化项，从而不需要人工干预的得出比较合理的user向量和item向量，这样给每个用户推荐的图书结果更加精确。

技术领域

本发明属于推荐算法技术领域，推荐算法广泛应用于互联网平台，准确且高效的推荐算法对互联网服务的行业具有重要意义。本发明针对图书推荐领域，研究出了一套矩阵分解算法，在已有的数据集和测试集的条件下，利用个性化召回算法LFM从用户行为数据和图书数据中精准推荐给用户喜欢的图书。

背景技术

推荐算法在图书推荐系统中，对于用户的喜好推荐、系统性能评估等方面有着重要的作用。近年来，随着互联网服务行业的蓬勃发展，如：电商、小视频、新闻类app、影视app都会涉及运用推荐算法更好的为用户提供服务，研究者们对推荐算法的研究也越来越关注，并提出了很多推荐算法的方法和指标。

在协同过滤推荐中，基于用户的相似度率先被使用，基于项目的相似度被BadrulSarwar等人在2001年提出，基于项目的协同过滤与基于用户的协同过滤的区别在于计算相似性的主体不同，基于项目的协同过滤是计算项目之间的相似性，但二者本质都是根据用户的历史行为记录来挖掘用户与项目之间的潜在关系。协同过滤推荐算法本身存在一些缺陷:数据稀疏性、冷启动、可扩展性。为了解决或者在一定程度上改善这些问题，国内外大量的专家学者都进行了研究和实验。

个性化召回算法LFM-隐语义模型(latent factor model)，属于协同领域，提到协同领域，很多人首先想到的就是基于物品的推荐item CF与基于用户的推荐user CF，itemCF：主体是item，首先会考虑的是item层面，可以根据目标用户喜欢的物品，寻找与这些物品类似的物品，然后推荐给用户。user CF：主体是user，首先考虑的是user层面，可以先计算和目标用户兴趣相似的用户，之后再根据计算出来的用户，从这些用户喜欢的物品给目标用户推荐物品。而LFM：是先对所有的图书物品进行分类，再根据用户喜欢的分类，给用户推荐该分类中的图书。

LFM具体的意义，这里通过item CF再进一步说明。item CF算法，是将item进行划分，这样一旦item贡献的次数越多，就会造成两个item越相近。举个例子来说，就是当你看你喜欢的电视节目的时候，为了不错过精彩的内容，你广告部分也会看；这时，后台就会统计，你看了电视节目，也看了广告。这样就可能分析出电视节目与广告比较接近。然而，事实上两者并不一样，如果知道两者属于不同的tag，不会将他们放到一起，进行降权处理。但是建立大量的tag体系就需要消耗大量的人力标注打标签，人力标注不适用。继而需要机器学习完成分类。在0-1搭建个性化推荐系统算法中显然是不切实际的。那么LFM算法就应运而生。LFM是根据用户对item的评分和浏览记录，来获取用户与物品之间的关系，物品与物品之间的关系。LFM不仅会考虑user，也会考虑item。

发明内容

针对现有协同过滤方法item CF与user CF两者的弊端考虑影响推荐结果的条件不全面问题。通过对大量学者和专家文献进行研究和分析，本文提出建立基于个性化召回算法LFM(潜在因子模型，Latent Factor Model)的图书推荐方法，LFM通过奇异值矩阵分解(SVD)处理评分矩阵，得到用户的潜在特征，以此评分缺失项目，就是一种很好的手段，基于LFM算法中引用强化学习方法以提升图书推荐的精确性和多样性，通过研究传统的LFM算法与深度学习中的梯度下降方法相结合，应用于最终设计的图书推荐模型上，在保证精准推荐结果的前提下，并引入了图书的负评分数据，以防止推荐结果的极端化，增加图书推荐的整体多样性。