[发明专利]基于即时学习的个性化推荐方法和系统

权利要求书

1.一种基于即时学习的个性化推荐方法，其特征在于，包括：

步骤S1、获取查询用户对推荐信息的第一历史评分矩阵；

步骤S2、计算所述查询用户与其他用户的相似性，获取相似用户的第二历史评分矩阵，得到相似样本矩阵；

步骤S3、将所述相似样本矩阵输入局部加权回归模型中，得到回归系数矩阵；

步骤S4、根据所述第一历史评分矩阵和回归系数矩阵，获取所述查询用户对所述推荐信息的评分预测值；

步骤S5、将所述评分预测值与目标评分阈值比较，若所述评分预测值大于等于所述目标评分阈值，则将所述推荐信息推荐给所述查询用户，否则不推荐；

所述步骤S3中的局部加权回归模型的构建过程包括：

将所述相似样本矩阵中每一个相似用户的第二历史评分矩阵作为一条第一训练样本；确定该用户对待推荐信息的评分值，将该用户对所述推荐信息的评分值作为该条第一训练样本的预测标签；根据多个相似用户对应的所述第一训练样本和所述预测标签，构建局部加权回归模型；

所述步骤S3具体包括：

S31、根据所述相似样本矩阵，确定训练样本的权值及带宽；

W(u_h)＝exp[-d(u_q，u_h)²/2d²] (1)

其中，W(u_h)表示训练样本u_h的权值大小；d表示带宽；d(u_q，u_h) 表示历史数据中第h个任意用户与查询用户u_q的相似度；

将h个训练样本的相似性权重通过高斯核函数计算，分别为W＝{W₁，W₂，...，W_h}，得到对角矩阵；

Ω表示具有W_h作为其第h个对角线元素的对角矩阵；

S32、根据对角矩阵，结合相似用户对待推荐信息的评分值，获取回归系数矩阵

其中，X表示相似样本矩阵；Y表示相似用户对待推荐信息P的评分矩阵；

所述步骤S4中的所述查询用户对所述待推荐信息的评分预测值表示为：

其中，表示评分预测值，x_q表示第一历史评分矩阵。

2.如权利要求1所述的个性化推荐方法，其特征在于，所述步骤S2包括：

S21、采用欧式距离计算查询用户与其他用户的相似性，获取所述相似用户的第二历史评分矩阵；

S22、根据所述相似用户的第二历史评分矩阵，得到相似样本矩阵。