[发明专利]一种融合群组信息的列表级学习项目推荐方法

摘要

本发明提供一种融合群组信息的列表级学习项目推荐方法，能够利用用户参与群组的信息，得到用户之间的相关性，从而提高项目推荐的精度，提升用户对推荐结果的满意度。本发明有益效果体现在：克服了当前推荐方法对群组信息利用不完整的现象，为在项目推荐的研究中充分的利用群组信息提供了一个参考，明显提高了推荐的精度，有效缓解了推荐系统中存在的数据稀疏问题；相对已有的推荐方法，本发明首次使用用户加入群组大小和用户共同加入群组数量信息，有效提高推荐精度和用户对最终推荐项目的满意度；本发明可以推荐电影、音乐、图书等多种项目，泛化能力强。同时，本发明提出的方法可以在各种平台上的推荐系统中使用，应用范围广泛。

主权项

1.一种融合群组信息的列表级学习项目推荐方法，其特征在于，包括如下步骤：步骤1，构造用户项目三元组T和用户群组三元组P：所述三元组T＝＜U,I,R＞表示用户对项目的评分信息，所述三元组P＝{G,U,F}表示用户对群组的归属信息；其中，U表示用户集合，并有U＝{U1,U2,...,Ui,...,UN}，Ui表示第i个用户；I表示项目集合，并有I＝{I1,I2,...,Ij,...,IM}，Ij表示第j个项目；R表示用户对项目的评分矩阵，并有R＝{Ri,j}N×M，Ri,j＝p表示第i个用户Ui对第j个项目Ij的评分为p；Ri,j为空表示第i个用户Ui对第j个项目Ij尚未有评分；；其中，1≤i≤|U|，1≤j≤|I|，1≤p≤L；L为用户为项目评分的最高值，|U|和|I|分别表示用户和项目集合中元素的数量；G表示群组集合，并有G＝{G1,G2,...,Gg,...GK}，Gg表示第g个群组；F表示群组用户矩阵，为布尔矩阵，并有F＝{Fg,i}K×N，Fg,i表示第i个用户Ui是否属于群组Gg的信息：若Fg.i＝1，则表示第i个用户Ui属于第g个群组Gg；若Fg.i＝0，则表示第i个用户Ui不属于第g个群组Gg；1≤g≤K；群组数量K为预设值；步骤2，定义用户相关性矩阵S＝{Si,m}N×N，使用矩阵形式表示用户之间的用户相关系数信息，如式(3)所示：式(3)中，Sim(Ui,Um)表示第i个用户Ui和第m个用户Um融合群组信息的用户相关系数；Si,m表示当第i个用户Ui和第m个用户Um共同加入群组不为空时，使用第i个用户Ui和第m个用户Um的用户相关系数；步骤3，实施融合群组信息的列表级排序学习方法，计算获得用户特征矩阵W和项目特征矩阵V；具体包括如下步骤：步骤3.1，根据式(4)定义首位概率式(4)中，Y表示第i个用户U_i的待排序列表长度；l_i表示第i个用户U_i的排序列表；R_i,j表示第i个用户U_i对第j个项目I_j的评分；是选取的单调递增且函数值始终为正值的函数；1＜Y＜M；步骤3.2，利用式(5)计算得到第i个用户U_i对第j个项目I_j的预测分值式(5)中，T(i)表示用户相关性矩阵S中，与第i个用户Ui的相似度不为0的用户集合；参数α用于调整用户自己的预测评分在最终的预测评分中所占的权重，α越小，表明相似用户的预测评分对最终的预测评分的影响越大；步骤3.3，引入KL距离，结合式(6)得到列表级损失函数L(W,V)：式(6)中，其中R_i,j表示已知的第i个用户U_i对第j个项目V_j的评分；λ_W表示用户矩阵的正则项；λ_V表示项目矩阵的正则项；表示用户特征向量的二阶范数；表示项目特征向量的二阶范数；I_i,j为指示函数，如果第i个用户u_i对第j个项目v_j有过评分，则I_i,j＝1，否则I_i,j＝0；步骤3.4，根据观测到的用户对项目的历史评分数据，生成评分矩阵R，其中每行代表一个用户，每列代表一个项目；步骤3.5，设定迭代次数阈值为ω，并初始化迭代次数C＝1；步骤3.6，对式(6)采用梯度下降方法，利用式(7)和式(8)分别计算第C次的第i个用户特征向量U_i的梯度和第j个项目的特征向量V_j的梯度步骤3.7，利用式(9)和式(10)分别更新第C次迭代时第i个用户Ui的特征向量Wi(C)以及第C次迭代时第j个项目Ij的特征向量Vj(C)，获得第C次迭代时第i个用户Ui的特征向量Wi(C+1)以及第C次迭代时第j个项目Ij的特征向量Vj(C+1)：其中，式(9)和式(10)中β为学习率，控制迭代时的步长；步骤3.8，将C+1赋值给C，判断C＜ω是否成立，若成立，则回转执行步骤3.6和步骤3.7；否则，结束迭代计算，获得所有用户更新后的用户特征矩阵W′和更新后的项目特征矩阵V′；步骤4，根据所述用户特征矩阵W和项目特征矩阵V，计算获取对每个用户预测评分最高的前H个项目构成的推荐列表；其中，H为预设值。