1.一种基于用户兴趣漂移的推荐方法,其特征在于,包括以下步骤:采集用户的所有评分数据,并获取所有评分数据的时间信息;
根据用户的评分数据及相应的时间信息,划分为训练集和测试集,在所述训练集上切分成时间段相等的多个时间箱,按周等粒度划分为多个时间片,按一个时间窗包含预设天数等粒度划分为多个时间窗;
根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合;
根据所述静态用户兴趣特征和所述用户兴趣权重矩阵,得到用户连续性与周期性兴趣偏好特征,根据用户短期评分过的物品集合,得到用户短期兴趣偏好特征;
将所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征线性组合融合到矩阵分解中,构建动态用户兴趣偏好模型;
使用随机梯度下降法,求解得到所述动态用户兴趣偏好模型的多个参数值;
根据所述动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测,并根据预测结果进行推荐。
2.根据权利要求1所述的推荐方法,其特征在于,所述用户连续性与周期性兴趣偏好特征表示为:其中,b为连续性的时间箱,p为周期性的时间片, 表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征,pi为用户i不考虑时间信息的静态用户兴趣特征,fib,p为用户i在特定时刻的用户兴趣权重矩阵。
3.根据权利要求1所述的推荐方法,其特征在于,所述用户短期兴趣偏好特征表示为:其中,s为短期的时间窗, 表示用户i在特定时刻的用户短期兴趣偏好特征,N(i)s为用户i短期评分过的物品集合,|N(i)s|为所述物品集合中的物品数,k为所述物品集合N(i)s中任意一个物品,qk为物品特征向量。
4.根据权利要求1所述的推荐方法,其特征在于,根据所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征构建动态用户兴趣偏好模型的步骤具体如下:其中, 表示用户i对物品j在特定时刻的评分预测,μ为全局平均评分,bi是用户偏置项即用户评分习惯与平均评分的偏差,bj是物品偏置项即物品评分与平均评分的偏差,r为参数因子。
5.根据权利要求1所述的推荐方法,其特征在于,所述预设天数为20天。
6.一种基于用户兴趣漂移的推荐装置,其特征在于,包括:
采集模块,用于采集用户的所有评分数据,并获取所有评分数据的时间信息;
切分模块,用于根据用户的评分数据及相应的时间信息,划分为训练集和测试集,在所述训练集上切分成时间段相等的多个时间箱,按周等粒度划分为多个时间片,按一个时间窗包含预设天数等粒度划分为多个时间窗;
获取模块,用于根据所述训练集的数据获得静态用户兴趣特征、用户兴趣权重矩阵及用户短期评分过的物品集合,以及根据所述静态用户兴趣特征和所述用户兴趣权重矩阵,得到用户连续性与周期性兴趣偏好特征,根据用户短期评分过的物品集合,得到用户短期兴趣偏好特征;
模型构建模块,用于将所述用户连续性与周期性兴趣偏好特征和所述用户短期兴趣偏好特征线性组合融合到矩阵分解中,构建动态用户兴趣偏好模型;
模型训练模块,用于使用随机梯度下降法,求解得到所述动态用户兴趣偏好模型的多个参数值;
预测模块,根据所述动态用户兴趣偏好模型的多个参数值获得特定时刻用户对物品的评分预测,并根据预测结果进行推荐。
7.根据权利要求6所述的推荐装置,其特征在于,所述用户连续性与周期性兴趣偏好特征表示为:其中,b为连续性的时间箱,p为周期性的时间片, 表示用户i在特定时刻的用户连续性与周期性兴趣偏好特征,pi为用户i不考虑时间信息的静态用户兴趣特征,fib,p为用户i在特定时刻的用户兴趣权重矩阵。
8.根据权利要求6所述的推荐装置,其特征在于,所述用户短期兴趣偏好特征表示为:其中,s为短期的时间窗, 表示用户i在特定时刻的用户短期兴趣偏好特征,N(i)s为用户i短期评分过的物品集合,|N(i)s|为所述物品集合中的物品数,k为所述物品集合N(i)s中任意一个物品,qk为物品特征向量。
9.根据权利要求6所述的推荐装置,其特征在于,所述动态用户兴趣偏好模型如下:其中, 表示用户i对物品j在特定时刻的评分预测,μ为全局平均评分,bi是用户偏置项即用户评分习惯与平均评分的偏差,bj是物品偏置项即物品评分与平均评分的偏差,r为参数因子。
10.根据权利要求6所述的推荐装置,其特征在于,所述预设天数为20天。