[发明专利]基于加权三部图的协同过滤推荐方法

权利要求书

1.一种基于加权三部图的协同过滤推荐方法，其特征在于按照如下步骤进行：

A.将用户、物品和标签信息视为三类不同的结点，构建物品-用户-标签三部图模型；

B.利用用户偏好度算法计算用户偏好度，将用户偏好度作为物品-用户-标签加权三部图的权值，构建加权三部图模型；

C.利用热传导方法在加权三部图上进行资源重分配来挖掘相似关系，计算两两用户之间的相似度；

D.在基于用户的协同过滤框架基础上，根据两两用户之间的相似度为未评分物品进行预测评分，降序排列生成每个用户的推荐列表，再根据推荐列表向用户推荐物品。

2.根据权利要求1所述的基于加权三部图的协同过滤推荐方法，其特征在于，所述步骤A具体步骤如下：

A1.获取用户-物品、用户-标签对应的矩阵；

A2.将用户、物品和标签视为抽象的结点，按照用户-物品、用户-标签之间的选择关系将三种结点连接起来，构建物品-用户-标签三部图模型；

所述步骤B具体步骤如下：

B1.将物品-用户-标签三部图IUT视为用户-物品二部图UI和用户-标签二部图UT，利用投影技术将两个二部图中的二元关系映射到两个用户-用户单模网络U^I和U^T中；如果用户u选择了物品i，则矩阵UI中元素UI_ui＝1，否则UI_ui＝0；如果用户u使用了标签t，则矩阵UT中元素UT_ut＝1，否则UT_ut＝0；所述矩阵U^I＝UI*UI′表示选择了相同物品的每个用户对之间的关系，矩阵U^T＝UT*UT′表示使用过相同标签的每个用户对之间的关系，UI′和UT′分别为UI和UT的转置矩阵；

B2.计算用户对物品的偏好度；

计算用户对物品的偏好相似度矩阵UPSI，矩阵中的元素upsi(u,v)为用户u和v对物品的偏好相似度，表示为：

基于用户对物品的偏好相似度，用户对物品的偏好度矩阵UPI表示为：UPI＝UI′*UPSI，矩阵UPI中元素upi(i,u)为用户u对物品i的偏好度；

B3.计算用户对标签的偏好度：

计算用户对标签的偏好相似度矩阵UPST，矩阵中的元素upst(u,v)为用户u和v对标签的偏好相似度，表示为：

基于用户对标签的偏好相似度，用户对标签的偏好度矩阵UPT表示为：UPT＝UT′*UPST，矩阵UPT中元素upt(t,u)为用户u对标签t的偏好度；

B4.以用户对物品的偏好度值作为物品-用户-标签加权三部图中对应用户-物品连边的权值，以用户对标签的偏好度值作为物品-用户-标签加权三部图中对应用户-标签连边的权值，构建物品-用户-标签加权三部图模型；

所述步骤C具体步骤如下：

C1.将物品-用户-标签加权三部图视为加权的用户-物品和加权的用户-标签两个二部图，分别用矩阵A和A′表示为：

如果用户u选择了物品i，则a_ui＝upi(i,u)，否则a_ui＝0；如果用户u使用了标签t，则a′_ut＝upt(t,u)，否则a′_ut＝0；矩阵A和Α′的转置矩阵为A^T＝(a_iu)_n×m和A′^T＝(a′_tu)_r×m；

C2.在加权的用户-物品二部图上通过两次热传导的方式进行资源重分配获得物品方面的两两用户间的相似度：

在加权的用户-物品二部图中，假设为目标用户u分配一个单位的初始资源，其他用户资源为0，得到m维初始资源向量经过热传导扩散后得到所有用户的最终资源向量其中W为热传导过程的状态转移矩阵；

第一步用户将资源按照用户-物品之间的边权与每个物品边权之和的比分配给每个物品，扩散后可得物品资源向量D_I是与物品度相关的对角矩阵；

第二步物品按照物品和用户之间的边权与每个用户边权之和的比例将资源传导给用户，得到所有用户的最终资源向量D_U是与用户度相关的对角矩阵；由此可得，状态转移矩阵W＝D_UAD_IA^T，该矩阵第v行u列的元素W_vu表示用户v从用户u处获得的资源：

将用户v从用户u处获得的资源W_vu定义为加权user-item二部图中目标用户u和用户v之间的相似度：

其中，upi(i,u)为用户u对物品i的偏好度，表示user-item加权二部图中用户v的度，表示user-item加权二部图中物品i的度；E_ui表示user-item加权二部图中用户u与物品i之间的连边；

C3.在加权的用户-标签二部图上通过两次热传导的方式进行资源重分配获得标签方面的两两用户间的相似度：

在加权的用户-标签二部图中，假设为目标用户u分配一个单位的初始资源，其他用户资源为0，得到m维初始资源向量传导扩散后得到所有用户的最终资源向量其中W′为状态转移矩阵；

第一步用户将资源按照用户和标签之间的边权与每个标签边权之和的比分配给每个标签，扩散后可得标签资源向量D_T是与标签度相关的对角矩阵；

第二步标签按照标签和用户之间的边权与每个用户边权之和的比例将资源返回给用户，得到所有用户的最终资源向量D′_U是与用户度相关的对角矩阵，可得状态转移矩阵W′＝D′_UA′D_TA′^T，该矩阵第v行u列的元素W′_vu表示用户v从用户u处获得的资源：

将W′_vu定义为加权user-tag二部图中目标用户u和用户v之间的相似度：

其中，upt(t,u)为用户u对标签t的偏好度，表示user-tag二部图中标签t的度；表示user-tag二部图中用户v的度；E_ut表示user-tag加权二部图中用户u与标签t之间的边；

C4.引入一个可调节的参数λ整合得到的物品方面和标签方面的用户相似度sim(v,u)和sim′(v,u)得到最终的用户相似度为：

similarity(v,u)＝λsim(v,u)+(1-λ)sim′(v,u)，λ∈[0,1]；

所述步骤D具体包括：

D1.给定目标用户u和未选择的物品i，用户u对物品i的预测评分为：

其中，v是已经对物品i评过分的用户，r_v,i表示用户v对物品i的评分，和分别表示用户u和用户v的所有评分的平均评分，N_u(s)表示用户u的s个邻近用户；

D2.将用户未选择的物品按照预测评分值大小降序排列，将排序靠前的若干个物品推荐给用户。