1.一种基于交互数据聚类的个性化推荐方法,其特征在于,包括以下步骤:
步骤1,构建用户项目交互特征矩阵:从待预测的平台上获取用户基本信息和用户交互记录作为待处理的输入数据用户用ID作为标识;定义商品为待预测项目,矩阵AM×N为用户-项目交互矩阵,M为用户数量,N为项目数量,矩阵A的值定义为用户对项目的评分,将用户行为对应的项目矩阵A与用户的基本信息U进行合并,得到合并后的矩阵P:Pau=(A|U)
步骤2,构建用户历史行为矩阵,P中包含了与用户关联的所有项目的ID信息d1,d2,…dn,这些信息以时间戳先后顺序组成了不定长度的用户行为向量D={d1,d2,…dn},经过嵌入层映射后获得定长用户行为特征D′,对每一个用户,将D′与用户信息特征进行合并,得到合并后的矩阵B:B=(D′|U)
步骤3,使用分类器对交互矩阵P进行分类;
步骤4,相似用户聚类:对于给定的目标用户ui,从矩阵B中获取与目标用户ui的不低于b值的所有相邻用户,组成矩阵B′,b为用户行为特征向量间的欧式距离阈值,B′为目标用户返回的Top-N个最相似的用户特征;
步骤5,候选用户的邻近项目选择;
步骤6,神经网络训练:对于进行过聚类的用户特征,根据他们对商品的历史评价信息以及商品本身的特征通过一种融合的神经网络进行预测训练;
步骤7,个性化推荐:通过融合的神经网络训练得到的预测模型,通过输入用户ID与商品ID得到模型预测的评分情况,分数越高代表用户约感兴趣。
2.根据权利要求1所述基于交互数据聚类的个性化推荐方法,其特征在于:步骤3中在候选队列生成过程中使用Softmax分类器,对于用户-项目交互矩阵P中获取的一个用户行为向量pi,使用每个项目的ID作为Softmax分类器训练时的label。
3.根据权利要求2所述基于交互数据聚类的个性化推荐方法,其特征在于:步骤5中使用K最近邻算法计算候选用户与相似用户的K个邻近结果。
4.根据权利要求3所述基于交互数据聚类的个性化推荐方法,其特征在于:步骤6中融合的神经网络基于余弦相似度与多层感知机对用户特征和商品特征之间的关系进行判断预测。
5.根据权利要求4所述基于交互数据聚类的个性化推荐方法,其特征在于:步骤7中针对特定用户将所有商品进行预测评分,对评分结果按降序排序,得到TOP-N个预测的用户最感兴趣商品作为推荐结果输出。
6.一种采用权利要求4所述的基于交互数据聚类的个性化推荐方法制成的推荐系统,其特征在于:包括构建用户项目交互特征矩阵模块、构建用户历史行为矩阵模块、使用分类器对交互矩阵P进行分类模块、相似用户聚类模块、候选用户的邻近项目选择模块、神经网络训练模块、个性化推荐模块。