1.一种基于用户上下文感知的个性化推荐方法,其特征在于,所述方法包括步骤:S1、获取社会网络中的信息数据,预处理所述信息数据,聚类得到用户信息、项目信息,并基于所述用户信息和项目信息融入上下文信息构建用户-项目-上下文的三维推荐模型;
S2、分别提取所述用户信息、项目信息以及上下文信息的信息特征,并基于所述信息特征构建用户-项目模型、用户-上下文模型以及项目-上下文模型;
S3、分别计算用户-用户之间的第一相似度、项目-项目之间的第二相似度、上下文-上下文之间的第三相似度;并基于所述第一相似度、第二相似度以及所述第三相似度计算用户-上下文之间的第一潜在相似度、用户-项目之间的第二潜在相似度、上下文-项目三者之间的第三潜在相似度;
S4、使用LCP-RM算法对所述用户-项目模型、用户-上下文模型和所述项目-上下文模型进行离线调优操作,并根据用户在线的上下文行为,实时对所述用户-项目模型、用户-上下文模型和所述项目-上下文模型进行在线调优操作;
S5、在Last.fm数据集上对所述LCP-RM算法和所述三维推荐模型进行测试,并计算所述LCP-RM算法在推荐精度、推荐召回率以及推荐平均精度的平均值来防止算法和模型的过拟合。
2.如权利要求1所述的基于用户上下文感知的个性化推荐方法,其特征在于,所述第二相似度通过公式:计算获取得到;或者通过公式:
计算得到,其中k表示自相关矩阵的维度,rux表示用户u对项目x的评分,同理ruy表示用户u对项目y的评分, 和 表示用户对项目x和y的平均评分,Ux×y表示同时对项目x和y评分的用户集合。
3.如权利要求2所述的基于用户上下文感知的个性化推荐方法,其特征在于,所述第一相似度和所述第三相似度同样采用所述公式:计算得到。
4.如权利要求1所述的基于用户上下文感知的个性化推荐方法,其特征在于,所述第一潜在相似度通过公式:计算获得,其中,LUtC(u,c)表示用户-上下文之间的潜在相似度, 是一个标准化过程,其目的是为了降低稀疏或偏僻上下文对用户的扰动影响;nu,c表示在特定的项目中上下文cj在用户ui所选择的项目列表中出现的次数;fi,j是一个布尔函数,表示用户ui是否选择了上下文cj;(CtC)T表示上下文-上下文相似度矩阵的转置;
所述第二潜在相似度通过公式:
计算获得,其中,LCtI(c,i)表示上下文-项目之间的潜在相似度, 是一个标准化过程,其目的是为了降低稀疏或偏僻上下文对项目的扰动影响;nc,i表示在特定的用户下,上下文cj出现在项目列表中的次数;γi,j是一个布尔函数,表示上下文cj是否出现在了项目列表ii中;(ItI)T表示项目-项目相似度矩阵的转置;
所述第三潜在相似度通过公式:
计算获得,其中,LUtI(u,i)表用户-项目之间的潜在相似度, 是一个标准化过程,其目的是为了降低稀疏或偏僻项目对用户的扰动影响;nu,i表示在特定的上下文下,用户ui选择项目ii的次数;δi,j是一个布尔函数,表示用户ui是否选择项目ii;(UtU)T表示用户-用户相似度矩阵的转置。
5.如权利要求1所述的基于用户上下文感知的个性化推荐方法,其特征在于,步骤S2中还包括:使用公式:综合所述用户-项目模型、用户-上下文模型以及项目-上下文模型,其中,Ranku,c(i)表示用户u在特定上下文c中推荐的项目i,α和β为平衡所述用户-上下文模型和所述用户-项目模型的平衡因子。
6.如权利要求5所述的基于用户上下文感知的个性化推荐方法,其特征在于,步骤S4中的所述离线调优操作包括:S41、初始化所述平衡因子α和β,并设置所述LCP-RM算法的迭代计数器t;
S42、计算rating1=Rankc,i(u),rating2=Ranku,i(c);其中,S43、由公式score(u,c)=(α·rating1)×(β·rating2)计算用户u在指定上下文c中对项目的排名score(u,c),并更新所述迭代计算器t=t+1;
S44、重复步骤S42~S43,直到完整遍历对应的项目信息、用户信息和上下文信息,设定一最大迭代值,迭代计算Ranku,c(i),并更新所述平衡因子α和β;
S45、重复步骤S42~S44,若Ranku,c(i)-Ranktu,c(i)>0,且步骤S44中迭代次数未超过所述最大迭代值,则完成迭代过程,并按Ranku,c(i)从高到低顺序输出推荐的项目表。