[发明专利]一种基于耦合主题模型的协同滤波方法

摘要

本发明公开了一种基于耦合主题模型的协同滤波方法，用于在推荐系统中有效结合历史评分信息与用户生成内容(User‑generated Content，简称UGC)，通过进行评分预测进行有效推荐。该方法包括以下步骤1)获取用户生成内容的记录；2)获取用户对产品的评分记录；3)提取用户文档和产品文档；4)利用耦合主题模型学习用户特征向量和产品特征向量；5)根据特征向量计算目标用户对不同产品的评分，来进行相应的产品推荐。本发明引入对用户生成内容信息的分析，能够直接的显式的发现用户兴趣和产品属性，而且有效解决了评分矩阵的稀疏问题，获得比基于用户评分信息的预测更准确的效果。

主权项

一种基于耦合主题模型的协同滤波方法，其特征在于，该方法包括以下步骤：步骤S1，获取用户生成内容记录，每个用户生成内容对应特定的用户和产品；步骤S2，获取用户对产品的历史评分信息，将部分历史评分信息作为训练集，剩下的作为测试集，分别构建不完全观测评分矩阵，即根据部分用户对部分产品的评分构建不完全观测评分矩阵，得到的训练集评分矩阵R作为耦合主题模型的评分输入；步骤S3，根据用户生成内容，提取用户文档dU和产品文档dV，其中，所述用户文档dU为与用户有关的用户生成内容，所述产品文档dV为与产品有关的用户生成内容，每个文档使用其包括的单词的词频来表示，并将每个文档的词袋表达向量WU和WV建模为可见单元，作为耦合主题模型的内容输入；步骤S4，结合所述步骤S2得到的训练集评分矩阵R和所述步骤S3得到的用户文档dU、产品文档dV，利用耦合主题模型学习得到用户特征向量ηU和产品特征向量ηV；步骤S5，根据步骤S4得到的用户特征向量ηU和产品特征向量ηV，利用计算用户对不同产品的评分，然后将得到的预测评分与测试集评分进行对比，衡量所述耦合主题模型的可靠性，最后针对特定用户，根据预测评分的高低得到推荐产品列表，从而进行产品推荐；其中，所述耦合主题模型观测变量(R，WU，WV)的生成过程为：1)对每个用户i：a)从K元正态分布N(μU，∑U)中采样一个K维向量作为用户i的特征向量ηU，i，其中，ηU，i为用户i的特征向量，μU，∑U为正态分布参数；b)对用户文档dU，i中的每个单词WU，i，t；I)从多项分布Mult(θU，i)中采样一个值作为单词WU，i，t的主题分配zU，i，t，其中，zU，i，t为单词WU，i，t的主题分配，θU，i为多项分布参数，且θU，i＝π(ηU，i)＝exp{ηU，i}/∑kexp{ηU，i，k}；II)把采样得到的zU，i，t作为选择器，选择第zU，i，t个主题，根据多项分布采样得到单词WU，i，t，其中，WU，i，t为用户i的文档中第t个单词，为多项分布参数；2)对每个产品j：a)从K元正态分布N(μV，∑V)采样一个K维向量作为产品j的特征向量ηV，j，其中，ηV，j为产品j的特征向量，μV，∑V为正态分布参数；b)对用户文档dV，j中的每个单词WV，j，t；I)从多项分布Mult(θV，j)中采样一个值作为单词WV，j，t的主题分配zV，j，t，其中，zV，j，t为单词WV，j，t的主题分配，θV，j为多项分布参数，且θV，j＝π(ηV，j)＝exp{ηV，j}/∑kexp{ηV，j，k}；II)把采样得到的zV，j，t作为选择器，选择第zV，j，t个主题，根据多项分布采样得到单词wV，j，t，其中，wV，j，t为产品j的文档中第t个单词，为多项分布参数；3)从正态分布中采样得到用户i对产品j的评分Ri，j，其中，该正态分布是以为均值，σ2为方差；其中，π(η)是映射函数。