[发明专利]基于连接矩阵的个性化推荐方法及系统

权利要求书

1.一种基于连接矩阵的个性化推荐方法，其特征在于，包含如下内容：

依据用户社交数据、商品类别数据及用户对商品评分数据分别构建用户关系网络和商品关系网络；

利用网络表示学习算法获取用户关系网络和商品关系网络中的用户特征表示向量和商品特征表示向量；

构建评分预测模型，将用户特征表示向量和商品特征表示向量作为模型输入，并通过连接矩阵对用户特征表示向量和商品特征表示向量进行拟合，将三者内积作为模型输出的预测评分，利用随机梯度下降算法对模型进行训练；

针对目标用户，利用已训练的评分预测模型来获取其对商品预测评分，依据商品预测评分进行个性化推荐；

依据用户社交信息及由商品构建的用户关系来构建用户关系网络，依据商品类别信息及用户构建的商品关系来构建商品关系网络；

用户关系网络构建中，以商品为中间节点，在购买同一商品的两用户之间建立间接连接关系；通过对间接连接关系和用户社交关系取并集来构建用户关系网络，并表示为G_user＝{V_user,ε_user}，V_user为用户关系网络节点的集合，每一个节点代表一名用户，ε_user为用户关系网络边的集合，且ε_user＝ε_{user_social}∪ε_{user_im}，ε_{user_social}为用户的社交关系，ε_{user_im}为由用户-商品交互矩阵构建的间接连接关系；

商品关系网络构建中，在属于同一种类的两种商品之间建立类别联系，在购买同一商品的两用户之间建立间接连接关系；通过对类别联系和间接连接关系取并集来构建商品关系网络，并表示为G_item＝{V_item,ε_item}，V_item为商品关系网络节点的集合，ε_item为商品关系网络边的集合，且ε_item＝ε_{item_cat}∪ε_{item_im}，ε_{item_cat}为商品的种类关系，ε_{item_im}为购买同一商品的两用户之间建立的间接连接关系；

采用不同的NRL算法分别对用户关系网络和商品关系网络进行节点学习，得到属于两种向量空间的用户特征表示向量和商品特征表示向量。

2.根据权利要求1所述的基于连接矩阵的个性化推荐方法，其特征在于，在用户关系网络和商品关系网络上分别进行随机游走，生成对应的两个节点序列集合；针对两个节点序列集合，分别利用SGNS向量训练方法学习节点表示向量。

3.根据权利要求1所述的基于连接矩阵的个性化推荐方法，其特征在于，评分预测模型表示为：其中，分别为用户特征表示向量和商品特征表示向量，为连接矩阵，k₁×k₂为随机初始化参数，m、n分别为用户特征表示向量和商品特征表示向量的大小。

4.根据权利要求1或3所述的基于连接矩阵的个性化推荐方法，其特征在于，通过设定目标函数，最小化预测评分与可观测评分误差来优化模型的连接矩阵。

5.根据权利要求4所述的基于连接矩阵的个性化推荐方法，其特征在于，目标函数表示为：其中，r_ij为用户i对商品j的可观测评分，为用户i对商品j的预测评分，且为连接矩阵，k₁×k₂为随机初始化参数，表示用户i的k₁维特征向量，表示商品j的k₂维特征向量；将已有可观测评分作为标签，最小化预测评分和可观测评分的误差，利用随机梯度下降算法和可观测评分优化连接矩阵，以训练评分预测模型。