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: 2023103098180
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:

1.一种改进协同过滤的用户分级推荐方法,其特征在于:包括,

根据用户属性不同,将用户分类;

根据用户分类采取不同的推荐方法;

所述根据用户属性不同,将用户分类包括,使用共同评分数量和hot值进行划分,根据共同评分数量和hot值给定阈值将用户划分为高活跃度用户和低活跃度用户;

所述用户属性表示为用户的标签,将标签分为高活跃度用户和低活跃度用户;

所述不同的推荐方法包括,所述高活跃度用户采用融合互动属性和用户亲密度的加权相似度算法进行推荐;

所述低活跃度用户引入半监督学习Lap SVM算法增加负样本,采用基于矩阵分解的单类协同过滤方法进行推荐;

所述融合互动属性和用户亲密度的加权相似度算法包括,根据用户的互动属性,针对不同的互动场景赋予不同的权重w1,w2,…,wn;

根据用户之间的双向紧密度,计算公式如下,

str1=∑w1I1(u0,s0)+w2I2(u0,s0)+…+wnIn(u0,s0)str2=∑w1I1(s0,u0)+w2I2(s0,u0)+…+wnIn(s0,u0)其中,目标用户对社交用户的紧密度str1和社交用户对目标用户的紧密度str2,u0代表目标用户,s0代表社交用户,I代表用户之间互动属性的互动次数;

引入权重值α,将两种属性进行融合,计算得出互动紧密度str,若社交用户和目标用户是双向互动关系,则α=0.5,若社交用户对目标用户的单项互动关系,则α=0,若为目标用户对社交用户的单项互动关系,则α=1,具体计算公式如下:str=αstr1+(1‑α)str2;

用户之间的相似度包括,公式为,

将互动紧密度加入到相关系数,形成针对高活跃度用户的融合互动属性和用户亲密度的加权相似度算法,其中,u,v为用户,i为项目,r为评分,ru,i为用户u对项目i的打分结果, 为用户u对所用打分项目取平均值,rv,i为用户v对项目i的打分结果, 为用户v对所用打分项目取平均值,sim(Ua·Ub)为用户相似度计算结果,Ua表示用户a,Ub表示用户b,基于融合了互动属性的紧密度的相似度计算方法对高活跃度用户进行推荐;

所述低活跃度用户引入半监督学习Lap SVM算法增加负样本包括,对低活跃度用户样本进行聚类操作,将样本分为正例样本与负例样本,计算每一个样本到所在类中心的距离,并从大到小进行排序,计入第一组数组中,再计算每一个样本到另一个样本聚类中心的距离,并按照从小到大进行排序,计入第二组数组中,从第一组数组和第二组数组中选取前m个共同样本作为预选取样本;

将预选取样本作为LapSVM算法的输入,得到分类器,

其中,l是有标签样本数量,m是预选取出的无标签样本数量,K是核矩阵,根据分类器训练得到无标签数据预测出来的样本伪标签分为正例伪标签和反例伪标签,若和用户推荐项目分到一个类别的则是正例样本,若和用户不推荐按项目分到的则是反例样本;

所述矩阵分解的单类协同过滤方法包括,基于用户的原始数据和伪标签数据形成用户‑物品矩阵图,使用训练后的反例伪标签增加隐式反馈,减少样本不平衡问题,构造出正例数据和反例数据一致用户‑物品选择矩阵图,m×n

R=(Rij)m×n∈{0,1}

其中,Rij表示为用户i对物品j的推荐标签值,m表示用户数,n表示物品数;

根据标签数据和权重数据建立用户‑物品矩阵和用户‑物品权重矩阵图,m×nW=(Wij)m×n∈(0,1]

找到一个低秩矩阵X=(Xij)m×n来接近矩阵R进行单类协同过滤矩阵分解;

m×d n×d

其中,X=UVT,U∈C ,V∈V ,U、V表示用户和物品的特征矩阵,d表示特征个数,d<r,r表示矩阵R的秩,r<min(m,n);

最小化加权损失函数的具体计算过程如下:

2

L(X)=ΣijWij(Rij‑Xij)

其中,R表示用户‑物品选择矩阵图,其中i表示用户,j表示项目,m表示用户数量,n表示项目数量,Rij表示用户i对项目j的推荐结果,W表示用户‑物品权重矩阵图,其中Wij表示用户i对项目j的推荐结果的可信权重,X为由R和W计算而来的低秩矩阵,Xij为是否对用户i推荐项目j的结果,对于缺失的标签值,作为负例随机的赋予一个0到1之间的权重值,返回矩阵X0输出推荐物品。

2.如权利要求1所述的一种改进协同过滤的用户分级推荐方法,其特征在于:所述hot值包括,根据用户社交在时间上的变化趋势,计算公式如下,其中,tn‑tm表示互动行为发生的日期与当前日期的距离,Ti为当天互动发生的次数,tn表示互动发生时间,tm系统实时时间,e是自然对数的底数。

3.如权利要求2所述的一种改进协同过滤的用户分级推荐方法,其特征在于:所述共同评分数量包括,根据用户之间可对比的物品或项目比例,计算公式如下,其中,com表示总的评分数量中共同评分数量占比,T表示目标用户总的评分数量,Ia∩Ib表示目标用户和社交用户的共同评分数量,Ia表示目标用户a的评分数量,Ib表示目标用户b的评分数量。

4.如权利要求3所述的一种改进协同过滤的用户分级推荐方法,其特征在于:所述给定阈值包括,计算方式如下,其中,当共同评分数量同时大于或等于阈值t和hot值同时大于等于阈值k时,将用户定义为高活跃度用户,具有丰富的上下文信息且信息较为可信采用Re1进行推荐,Re为推荐方法集合,Re1为推荐方法1,提出的融合互动属性和用户亲密度的加权相似度算法,Re2为推荐方法2,提出的使用半监督学习Lap SVM算法增加负样本,采用基于矩阵分解的单类协同过滤方法进行推荐;

当共同评分数量小于阈值t或hot值小于阈值k时,将用户定义为低活跃度用户,上下文信息较少,存在数据稀疏和数据不平衡的问题采用Re2进行推荐。