[发明专利]基于多关系隐式反馈置信度的协同过滤推荐方法

摘要

本发明提供了一种基于多关系隐式反馈置信度的协同过滤推荐方法，通过引入多种类型行为的隐式反馈，采用逻辑回归模型和基于树的特征选择模型两种置信度计算方法，并根据置信度对多种类型辅助反馈进行筛选，能够筛选出更丰富、更有效的确定性辅助反馈数据，从而对多关系隐式反馈中的用户偏好进行量化。本发明方法能够选出更多有效的反馈数据，准确刻画多关系隐式反馈中的用户偏好，有效提升推荐算法的性能和准确度。

主权项

1.一种基于多关系隐式反馈置信度的协同过滤推荐方法，其特征在于，包括以下步骤：步骤1，将用户多种类型行为下的隐式反馈数据重新进行筛选和划分，并定义为确定性目标反馈、确定性辅助反馈和非确定性反馈三类；确定性目标反馈：如果用户u在主隐式反馈和至少一种类型辅助隐式反馈中选择过项目i，则将用户u和项目i组成的记录集合定义为确定性目标反馈：DT_u＝{(u,i)},其中u∈U，i∈FT_u。确定性辅助反馈：通过置信度从用户u的多种类型辅助隐式反馈筛选出的数据中，如果用户u选择过项目k，则将用户u和项目k组成的记录集合定义为确定性辅助反馈：DA_u＝{(u,k)}，其中u∈U，k∈FA_u。非明确性反馈：在用户u的确定性目标反馈和确定性辅助反馈中，如果项目j都没有被用户u选择过，则将用户u和项目j组成的记录集合定义为非明确性反馈：N_u＝{(u,j)}，u∈U，步骤2，模型构建模型的目标函数为：其中，c_uk是计算的确定性辅助反馈的置信度；采用矩阵分解模型对用户对项目的隐藏偏好进行建模，则其中U∈R^d×m，V∈R^d×n，b∈Rⁿ，d是隐藏特征向量维度；步骤3，计算确定性辅助反馈的置信度c_uk，从多种类型辅助反馈中筛选出确定性辅助反馈，其中，置信度c_uk的值越大，表示非确定性反馈与确定性反馈之间的相关性越大，可信度越高；步骤4，定义以下偏序关系假设：x_ui＞x_uk,x_uk＞x_uj,i∈DT_u,k∈DA_u,j∈N_u其中，x_ui表示用户u对于确定性目标反馈中的项目i的偏好，x_uk表示用户u对于确定性辅助反馈中的项目k的偏好，x_uj表示用户u对于非明确性反馈中的项目j的偏好；针对每个用户u，训练学习一个排序模型f(u,i)，利用该排序模型可以为用户u产生相应的项目排序列表Ranked_list(I)：f:(u,R^tr,DT_u,DA_u,N_u,C_uk)→Ranked_list(I):r₁(m)＞...r_i(p)＞r_i+1(q)...。