欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020100849413
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:包括以下步骤:步骤1:获取用户物品信息数据集,构建用户物品评分矩阵、用户潜在因子矩阵和物品潜在因子矩阵;所述用户物品信息数据集中包括用户的特征信息、物品的特征信息和与用户相关的物品集合信息;所述用户物品评分矩阵由用户物品信息数据集中每个用户以及其对物品的评分构成;所述用户潜在因子矩阵是由用户特征信息组成的特征矩阵;所述物品潜在因子矩阵是由物品特征信息组成的特征矩阵;

步骤2:基于用户物品评分矩阵、用户潜在因子矩阵和物品潜在因子矩阵,计算得到用户之间的相似度和物品之间的相似度,以某个用户或物品的最相似的k个用户或物品作为其邻居,根据用户之间的相似度得到用户邻居信息,根据物品之间的相似度得到物品邻居信息;

步骤3:基于用户潜在因子矩阵和物品潜在因子矩阵,对用户物品评分矩阵进行矩阵分解,根据分解矩阵定义目标函数并进行迭代计算得到预测评分矩阵,并得到对应的预测评估指标的状态值:所述预测评估指标的状态值为评估预测值与实际值的误差值;

步骤4:基于用户潜在因子矩阵和物品潜在因子矩阵,对用户物品评分矩阵进行矩阵补全,对补全后的用户物品评分矩阵采用频谱变换得到预测评分矩阵和对应的预测评估指标的状态值:步骤5:基于不同用户对物品评分的相关性,将步骤3得到的预测评分矩阵和步骤4得到的预测评分矩阵进行加权得到预测评分矩阵和其对应的预测评估指标的状态值;

步骤6:根据步骤3得到的预测评分矩阵、步骤4得到的预测评分矩阵和步骤5得到的预测评分矩阵及各自对应的预测评估指标的状态值,通过加权混合平均得到最终的预测推荐矩阵;

步骤7:根据预测推荐矩阵,完成向用户推荐物品。

2.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:在所述步骤2中,采用余弦相似度计算物品之间的相似度:式中,V表示物品特征集合,Av,Bv分别表示物品A和物品B对应特征v的取值。

3.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:在所述步骤2中,采用皮尔森相关系数计算用户之间的相似度:式中,V表示物品集合,rAv,rBv分别表示用户A和用户B对物品v的评分, 和 分别表示用户A和用户B对物品评分的平均值。

4.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:在所述步骤3中,采用降维处理对用户物品评分矩阵进行矩阵分解。

5.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:在所述步骤3中,首先,根据分解矩阵定义损失函数和目标函数:所述损失函数为:

所述目标函数:

式中,o表示用户物品评分集合, 表示用户u评价的物品数, 表示对物品v进行评分的用户数量,μ表示正则化参数;

再者,采用随机梯度下降方法对目标函数进行优化得到预测评分矩阵:最后,预测评分由公式(6)进行迭代更新得出,以此得到预测评分矩阵;

其中,表示总体评分平均值,bu表示用户偏差,bv表示物品偏差, 为预测评分结果,Uu表示用户特征向量,Vv表示物品特征向量, μ表示正则化参数,σ表示学习率参数。

6.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:所述步骤4具体包括以下子步骤:采用式(8)对用户物品评分矩阵进行矩阵补全的具体步骤如下:

其中,gr/gc表示行/列中跟物品/用户相关的相似度图属性,ω为给定的一个已知信息集,其值表示为yu,v∈Y,Fu表示用户邻居信息,Fv表示物品邻居信息, 表示矩阵F范数的平方, 对应于标准狄利克雷分布;

对公式(8)得到的最优值采用频谱变换得到预测评分矩阵 其中,Δr,Δc表示行图和列图拉普拉斯算子的m×m和n×n特征向量矩阵,X=WHT。

7.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:在所述步骤5中,将步骤3得到的预测评分矩阵和步骤4得到的预测评分矩阵采用下式进行加权计算得到预测评分;

其中:

式中,δ表示加权平均系数,&x表示用户x评分物品数量,&r表示用户x评分为r的物品数量。

8.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:在所述步骤6中,采用式(14)计算得到最终的预测推荐矩阵;

其中, Wi的具体取值取决于:

当 取最大值对应:

式中, 表示用户物品评分,RMSEi表示预测评估指标的状态值。

9.根据权利要求1或8所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:所述预测评估指标的状态值采用以下计算公式得到:其中,ri为用户实际评分,为用户预测评分,max为评分物品总数量。

10.根据权利要求1所述的一种基于潜在因子的矩阵分解补全混合推荐方法,其特征在于:在执行所述步骤2之前还包括:将所述用户物品评分矩阵、用户潜在因子矩阵和物品潜在因子矩阵以表形式存储至HBase-Hive数据仓库;

将所述步骤3得到的预测评分矩阵、步骤4得到的预测评分矩阵和步骤5得到的预测评分矩阵及各自对应的预测评估指标的状态值均存储至HBase-Hive数据仓库中。