[发明专利]基于加权三部图的协同过滤推荐方法

说明书

本发明公开一种基于加权三部图的协同过滤推荐方法，具体步骤如下：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；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；利用热传导方法在加权三部图上进行资源重分配来挖掘更多的相似关系，计算两两用户之间的相似度；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。在真实数据集上的实验表明，本发明可以更好地挖掘长尾物品，实现个性化推荐。

技术领域

本发明属于推荐技术领域，尤其是一种基于加权三部图的协同过滤推荐方法。

背景技术

在大数据时代，推荐系统在缓解信息过载问题上成为一种有效的信息过滤工具。目前的推荐算法很多，基于预测评分的推荐算法运用最为广泛，如协同过滤等，主要利用用户对物品的评分、用户的交易记录、用户及物品特征等信息预测出用户对未评分物品的评分值，进而对预测评分值排序选择最大的前L个物品组成top-L列表推荐给用户。因此，这类算法都致力于对未评分物品预测准确性的提高，但是，准确性并不是衡量用户对推荐物品满意度的唯一标准，多样性也是很重要的指标。而且，在实际的推荐系统中，一些流行物品会被很多用户喜欢，基于用户的协同过滤在依靠近邻用户为目标用户进行推荐时，如果目标用户的近邻用户中存在喜欢热门物品的用户，那么这些热门物品有很大的可能会被推荐给目标用户，而那些长尾物品由于不被大多数用户了解，其预测评分值较小，难以出现在用户推荐列表中，事实上这些长尾物品很可能也是满足用户兴趣的，这就导致推荐的物品过度集中在热门物品中，而潜在流行的长尾物品往往被忽略，很大程度上降低了UBCF的推荐多样性和新颖性。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供一种基于加权三部图的协同过滤推荐方法。

本发明的技术解决方案是：一种基于加权三部图的协同过滤推荐方法，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更多的相似关系，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。

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；