專利名稱：一種對個性化推薦結(jié)果進行優(yōu)化的fr方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，它適用于電子商務(wù)個性 化推薦，屬于信息檢索、數(shù)據(jù)挖掘技術(shù)領(lǐng)域。
背景技術(shù)：
成熟的電子商務(wù)系統(tǒng)往往擁有龐大的用戶數(shù)量；同時，頻繁的用戶注冊和注銷也 使得用戶數(shù)據(jù)非常不穩(wěn)定。因此，在實際應(yīng)用中，面向用戶的K近鄰模型很難提供高效、穩(wěn) 定的推薦服務(wù)。為了解決這一弊端，基于電子商務(wù)系統(tǒng)中項目數(shù)量往往遠少于用戶數(shù)量、且 項目數(shù)據(jù)更為穩(wěn)定的事實，Sarwar等提出了面向項目的K近鄰模型。面向項目的K近鄰模 型使用對項目間的關(guān)系建模取代了對用戶間的關(guān)系建模，同樣也分為離線訓(xùn)練過程和線上 推薦過程。國內(nèi)外研究者們針對利用社會標(biāo)簽數(shù)據(jù)進行個性化推薦做了大量的研究。 Milicevic等指出，如何使用社會標(biāo)簽數(shù)據(jù)進行個性化推薦，已經(jīng)成為了個性化推薦技術(shù)研 究領(lǐng)域的一個研究熱點，國內(nèi)外的研究人員針對該問題進行了大量研究，相關(guān)的研究成果 層出不窮，如Hotho等提出的使用社會標(biāo)簽數(shù)據(jù)對所有項目進行排序的R)lkRank算法；Lin 等提出的從社會標(biāo)簽數(shù)據(jù)中抽取用戶群信息的MetaFac算法；Sen等提出的基于社會標(biāo)簽 數(shù)據(jù)的推薦模型；Lamere等提出的基于社會標(biāo)簽相似度的推薦模型；Diederich等提出的 根據(jù)個性化標(biāo)簽數(shù)據(jù)對項目進行用戶興趣建模的方法；Satoshi等提出的根據(jù)社會標(biāo)簽對 項目進行聚類的方法，等等。然而，上述這些方法走向了另一個極端，即只使用個性化標(biāo)簽 數(shù)據(jù)進行推薦，產(chǎn)生的推薦結(jié)果同樣只是以單一數(shù)據(jù)源為基礎(chǔ)。

發(fā)明內(nèi)容
1、目的本發(fā)明的目的是提供一種對個性化推薦結(jié)果進行優(yōu)化的FR方法。該方法 利用社會標(biāo)簽網(wǎng)絡(luò)過濾和推薦偏差移除來提高個性化推薦質(zhì)量和精度。2、技術(shù)方案本發(fā)明的技術(shù)解決方案一種對個性化推薦結(jié)果進行優(yōu)化的FR方 法，其步驟為步驟一，當(dāng)需要為用戶U進行推薦時，推薦系統(tǒng)將首先使用基于評分相似度的K近 鄰模型產(chǎn)生初步推薦結(jié)果集；步驟二，推薦系統(tǒng)將使用社會標(biāo)簽網(wǎng)絡(luò)過濾方法對初步推薦結(jié)果集進行過濾；步驟三，推薦系統(tǒng)對過濾后的推薦項目對應(yīng)的系統(tǒng)評分預(yù)測值使用推薦偏差移除 方法優(yōu)化，得出最后的推薦結(jié)果并返回給用戶。在社會標(biāo)簽數(shù)據(jù)中，標(biāo)注鏈接是由社會標(biāo)簽所描述的項目之間的關(guān)系。標(biāo)注鏈接 分為以下三類1)強標(biāo)注鏈接(Strong Tagging Links)若兩個項目被同一用戶添加了相同或相 似的標(biāo)簽，則稱這兩個項目間存在一條強標(biāo)注鏈接，相應(yīng)的標(biāo)簽對被稱為硬標(biāo)簽對；2)中標(biāo)注鏈接(Moderate Tagging Links)若兩個項目被不同用戶添加了相同或相似的標(biāo)簽，則稱這兩個項目間存在一條中標(biāo)注鏈接，相應(yīng)的標(biāo)簽對被稱為強標(biāo)簽對；3)弱標(biāo)注鏈接(Weak Tagging Links)若兩個項目被同一用戶添加了無關(guān)的標(biāo) 簽，則稱這兩個項目間存在一條弱標(biāo)注鏈接。從標(biāo)簽相似度的角度考慮，在社會標(biāo)簽數(shù)據(jù)中，不同標(biāo)簽的格式相互差異很大，所 以將每條標(biāo)簽簡單地視作單詞集合，然后使用單詞集合間的Jaccard相似度作為標(biāo)簽間相 似度的度量值，如下式所示
權(quán)利要求
1.一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在于該方法按下列步驟進行步驟一，當(dāng)需要為用戶u進行推薦時，推薦系統(tǒng)將首先使用基于評分相似度的K近鄰模型產(chǎn)生初步推薦結(jié)果集；步驟二，推薦系統(tǒng)將使用社會標(biāo)簽網(wǎng)絡(luò)過濾方法對初步推薦結(jié)果集進行過濾；步驟三，推薦系統(tǒng)對過濾后的推薦項目對應(yīng)的系統(tǒng)評分預(yù)測值使用推薦偏差移除方法 優(yōu)化，得出最后的推薦結(jié)果并返回給用戶。
2.根據(jù)權(quán)利要求1所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法.，其特征在于 在步驟二中所述的社會標(biāo)簽網(wǎng)絡(luò)過濾方法，是當(dāng)系統(tǒng)需要為用戶u進行推薦時，首先根據(jù) 用戶u的用戶ID取得其已知評分集R (u)，然后根據(jù)R (u)，以面向項目的K近鄰模型為推薦 模型，產(chǎn)生初步的推薦結(jié)果集；取出用戶u的已知評分集中每個項目的社會標(biāo)簽K近鄰集并 將其合并，構(gòu)成過濾項目集；得到社會標(biāo)簽過濾項目集和初步的推薦結(jié)果集后，系統(tǒng)對這兩 個集合求交集，從而過濾掉推薦結(jié)果集中與用戶已評分項目具備較低的社會標(biāo)簽相關(guān)度的 項目；過濾項目集是以社會標(biāo)簽數(shù)據(jù)為基礎(chǔ)產(chǎn)生的，經(jīng)社會標(biāo)簽網(wǎng)絡(luò)過濾方法處理后的推 薦結(jié)果與用戶已評分項目同時具備較高的評分相關(guān)度和社會標(biāo)簽相關(guān)度，更好地反映用戶 的興趣和推薦效果。
3.根據(jù)權(quán)利要求1所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，，其特征在于 在步驟三中所述的推薦偏差移除方法，是以給定的用戶-項目評分?jǐn)?shù)據(jù)為基礎(chǔ)，使用構(gòu)造 好的推薦模型構(gòu)造在已知評分?jǐn)?shù)據(jù)上的評分預(yù)測值，再已知評分構(gòu)造對系統(tǒng)推薦偏差的統(tǒng) 計估計值；然后通過將構(gòu)造出的推薦偏差的估計值從相應(yīng)的評分預(yù)測中移除，來提高推薦 系統(tǒng)的預(yù)測精度；最后，隨著用戶反饋信息的不斷增加，推薦偏差的估計值根據(jù)用戶反饋信 息進行動態(tài)更新，從而達到更好的優(yōu)化效果；推薦偏差移除分為離線模型構(gòu)造階段、在線模 型應(yīng)用更新階段和代入相似度權(quán)重的推薦偏差移除。
4.根據(jù)權(quán)利要求1所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在于在 步驟二中所述的社會標(biāo)簽網(wǎng)絡(luò)，是通過社會標(biāo)簽數(shù)據(jù)中的標(biāo)注鏈接的權(quán)重來構(gòu)成，我們采 取使用項目的社會標(biāo)簽K近鄰集合對推薦結(jié)果進行過濾的策略，實現(xiàn)數(shù)據(jù)信息的融合；標(biāo) 注鏈接分為以下三類1)強標(biāo)注鏈接即StrongTagging Links 若兩個項目被同一用戶添加了相同或相似的 標(biāo)簽，則稱這兩個項目間存在一條強標(biāo)注鏈接，相應(yīng)的標(biāo)簽對被稱為硬標(biāo)簽對；2)中標(biāo)注鏈接即ModerateTagging Links 若兩個項目被不同用戶添加了相同或相似 的標(biāo)簽，則稱這兩個項目間存在一條中標(biāo)注鏈接，相應(yīng)的標(biāo)簽對被稱為強標(biāo)簽對；3)弱標(biāo)注鏈接即WeakTagging Links 若兩個項目被同一用戶添加了無關(guān)的標(biāo)簽，則 稱這兩個項目間存在一條弱標(biāo)注鏈接。
5.根據(jù)權(quán)利要求4所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在于該 標(biāo)注鏈接的權(quán)重從標(biāo)簽相似度的角度考慮，在社會標(biāo)簽數(shù)據(jù)中，不同標(biāo)簽的格式相互差異 很大，所以將每條標(biāo)簽簡單地視作單詞集合，然后使用單詞集合間的Jaccard相似度作為 標(biāo)簽間相似度的度量值，如下式所示simJta,b=\K^h !/UaU^ I其中，ta和tb分別代表從標(biāo)簽a和標(biāo)簽b中抽取出的單詞集合；此外，決定一條標(biāo)注鏈接的權(quán)重的因素是該標(biāo)注鏈接所屬的類別如果某類標(biāo)注鏈接 的出現(xiàn)概率較低，則該類標(biāo)注鏈接應(yīng)該被賦予更高的權(quán)重Λ P、//和/分別代表在一個 社會標(biāo)簽數(shù)據(jù)集中，弱標(biāo)注鏈接、中標(biāo)注鏈接和強標(biāo)注鏈接出現(xiàn)的概率，令#、分別 代表弱標(biāo)注鏈接、中標(biāo)注鏈接和強標(biāo)注鏈接上的權(quán)重，結(jié)合社會標(biāo)簽間的Jacaard相似度， 則相應(yīng)標(biāo)注鏈接的上權(quán)重的計算方式為
6.根據(jù)權(quán)利要求1或4所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在 于該社會標(biāo)簽網(wǎng)絡(luò)是一個無向帶權(quán)圖，其中每一個點表示一個項目，而每條邊的權(quán)重則表 示相應(yīng)項目間的社會標(biāo)簽相關(guān)度；在實際應(yīng)用中，社會標(biāo)簽網(wǎng)絡(luò)可以用鄰接矩陣的方式進 行存貯。
7.根據(jù)權(quán)利要求3所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在于推 薦偏差，是推薦系統(tǒng)對評分的預(yù)測值，和對應(yīng)的用戶真實評分間的差值；推薦偏差代表的是 基于已知評分構(gòu)造的推薦模型所做出的評分預(yù)測值偏離用戶真實評分的程度。
8.根據(jù)權(quán)利要求1或3所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在 于該推薦偏差移除中的離線模型構(gòu)造階段是根據(jù)已知評分和推薦系統(tǒng)對已知評分的預(yù)測 值，構(gòu)造推薦偏差估計值；使用斜率為1的線性模型對推薦偏差進行估計，即對用戶u，以用 戶u的已知評分集合R(U)和系統(tǒng)對用戶u的已知評分的預(yù)測評分集合為…)為基礎(chǔ)，求解最 優(yōu)的線性模型
9.根據(jù)權(quán)利要求1或3所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在 于該推薦偏差移除中的在線模型構(gòu)造階段是當(dāng)推薦系統(tǒng)對用戶u在項目k上的評分進行 預(yù)測時，加入推薦偏差修正后的評分預(yù)測值為K,k =+ RBU即為原始的系統(tǒng)評分預(yù)測值與相應(yīng)的推薦偏差之和；修正后的系統(tǒng)評分預(yù)測值盡管 比修正前具備更高的精確度，但仍會與真實的用戶評分存在出入；所以，當(dāng)用戶對系統(tǒng)推薦 的項目做出真實評分反饋后，系統(tǒng)將會根據(jù)用戶反饋評分對相應(yīng)的推薦偏差估計值進行更 新；當(dāng)用戶U對系統(tǒng)推薦的項目j做出評分反饋時，相應(yīng)的推薦偏差RBu將會按照下式進行 更新拙old _ Σ Ε7 ( )(Γ , ^uJ ) u \R°ld(u)\+Y他 new _^u,i) + {ru,j ^u, j )Rold(u)\+\ + rRBold RBnew =“RBuold\R(u)old+小(、廠〈)R(u)old+ l + χ
10.根據(jù)權(quán)利要求3所述的一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，其特征在于推薦偏差移除中的代入相似度權(quán)重的推薦偏差移除是將評分相似度作為權(quán)重因數(shù)引入推 薦偏差的估計過程；具體做法是，分別為用戶估計在每個項目上的推薦偏差，同時代入項目 間的評分相似度進行加權(quán)平均；在估計系統(tǒng)為用戶u推薦項目k時的推薦偏差RBu, k時，其 估計方式如下式所示
全文摘要
一種對個性化推薦結(jié)果進行優(yōu)化的FR方法，它是利用社會標(biāo)簽網(wǎng)絡(luò)過濾和推薦偏差移除，提高個性化推薦質(zhì)量和精度。社會標(biāo)簽網(wǎng)絡(luò)過濾方法使用社會標(biāo)簽網(wǎng)絡(luò)模型，建立項目社會網(wǎng)絡(luò)K近鄰，并以其為基礎(chǔ)在推薦模型進行推薦時構(gòu)造社會標(biāo)簽過濾集合，用以過濾掉面向項目的K近鄰模型的推薦結(jié)果中，與用戶已評分項目較低的社會標(biāo)簽相關(guān)度的推薦項目，從而將用戶-項目評分?jǐn)?shù)據(jù)和社會標(biāo)簽網(wǎng)絡(luò)數(shù)據(jù)中的信息結(jié)合起來進行推薦。推薦偏差移除方法以面向項目的K近鄰模型在已知用戶-項目評分?jǐn)?shù)據(jù)上的預(yù)測值和用戶真實評分為基礎(chǔ)，使用線性模型對推薦偏差進行估計；并在推薦模型進行推薦時，將相應(yīng)的推薦偏差估計值從評分預(yù)測值中移除，從而對推薦結(jié)果進行優(yōu)化。
文檔編號G06F17/30GK102073720SQ20111000378
公開日2011年5月25日 申請日期2011年1月10日 優(yōu)先權(quán)日2011年1月10日
發(fā)明者歐陽元新, 熊璋, 羅辛, 謝舒翼 申請人:北京航空航天大學(xué)