1.一种融合显隐式反馈的协同推荐模型,其特征在于从模拟用户真实的购物流程的角度出发,具体步骤如下:步骤1、利用隐式反馈数据训练所需要的面向排序的推荐模型,并选出用户最有可能浏览的物品集I;
步骤2、在面向评分的模型加入显式反馈数据和隐式反馈数据来训练模型,,学习出用户特征矩阵和物品特征矩阵用于预测评分;对步骤1得到的物品集I进行重新排序,得到用户最可能购买的物品集II,将物品集II作为最终的推荐结果返回给目标用户;
步骤1中面向排序的推荐模型使用的推荐算法,采用目前对级排序学习算法中应用于隐式反馈数据中的BPR算法,具体实现如下:首先,对用户的历史评分数据进行数据pair化预处理:BPR算法将用户对物品的评分数据处理为一个pair对的集合<i,j>,其中i为评分为1的物品,j为评分为0的物品;用三元组<u,i,j>来表达:用户“u”喜欢物品“i”多于物品“j”;用户有过交互的物品记为“1”,没有交互的物品记为“0”;
面向排序的推荐模型的前提条件:
①用户之间的偏好行为各自独立;
②同一用户对不同物品的偏序关系各自独立;
因此,定义需要极大化的目标:
Πp(Θ|i>uj)∝Πp(i>uj|Θ)p(Θ) (1)其中Θ为所求的推荐模型参数,包含:用户的特征矩阵U和物品的特征矩阵V;p(Θ|i>uj)表示后验概率,p(i>uj|Θ)表示似然部分,p(Θ)表示先验概率,i>uj表示用户“u”喜欢物品“i”多于物品“j”;
其中关于似然部分:p(i>uj|Θ)=δ(xu,i-xu,j), xu,i=pu·pi,设先验概率服从如下分布:Θ~N(0,λΘI),则先验概率的密度函数为:基于上面的假设,优化目标进一步展开得到:
其中xu,i<pu,qi>为两个向量的内积形式来表示用户u对项目i的偏好程度,Θ为推荐模型参数;为了最大化上面表达式(3)的函数值,通过随机梯度下降算法来求解,得到用户最有可能浏览的物品集I。
2.根据权利要求1所述的一种融合显隐式反馈的协同推荐模型,其特征在于对于步骤2中面向评分的推荐模型,使用SVD++模型来完成筛选用户最可能购买的物品集II,SVD++模型中融入了用户存在潜在兴趣的事实;
其中N(u)代表用户u评分物品集,W叫做潜在物品特征矩阵;定义目标函数如下:其中, 向量bi表
示电影i的评分相对于平均评分的偏差,向量bu表示用户u做出的评分相对于平均评分的偏差,将平均评分记做μ。