本發(fā)明屬于推薦系統(tǒng)技術(shù)領域，更為具體地講，涉及一種基于用戶社區(qū)的協(xié)作推薦系統(tǒng)。

背景技術(shù)：

伴隨信息技術(shù)特別是網(wǎng)絡技術(shù)的發(fā)展和互聯(lián)網(wǎng)的普及，信息系統(tǒng)的規(guī)模越來越大，產(chǎn)生的數(shù)據(jù)量也愈來愈多，巨大的信息量雖然滿足了用戶在信息時代對信息的需求，但海量的數(shù)據(jù)也使得用戶無法在信息的海洋中準確、高效的獲取自己渴求的數(shù)據(jù)信息，對信息的使用效率不升反降，這就是信息過載問題。推薦系統(tǒng)就是用來緩解信息過載問題的有效途徑，它既解決了用戶在尋找資源困難的問題，也同時在解決問題的過程中帶來了巨大的經(jīng)濟效益，它廣泛應用在電子商務、在線社交、在線音樂、在線影視、在線圖書等多個領域，依據(jù)用戶的信息需求、興趣等，將用戶感興趣的信息、物品等推薦給用戶。

協(xié)同過濾推薦，它是推薦系統(tǒng)中一種常用的推薦方法，通過計算物品/用戶之間的相似度，并根據(jù)物品/用戶的相似度和用戶的歷史行為生成推薦結(jié)果列表。但是在用戶數(shù)據(jù)和物品數(shù)據(jù)規(guī)模不斷擴大的今天，該方法計算目標用戶的相似興趣鄰居用戶集時，時間復雜度增大，準確性降低，系統(tǒng)的擴展性和推薦質(zhì)量也不斷下降。在此背景下，基于個性化信息核的智能推薦服務技術(shù)應運而生，并迅速得到發(fā)展，應用該技術(shù)，能夠在分析用戶數(shù)據(jù)的基礎上獲得一段時間內(nèi)穩(wěn)定的用戶社區(qū)特性，根據(jù)用戶社區(qū)以及對應感興趣的物品集合組成的信息核推薦符合用戶興趣偏好的資源和物品，通過這樣的算法，可明顯的減輕系統(tǒng)負擔，減少時間開銷，提高推薦結(jié)果的準確性，為用戶發(fā)掘更準確的資源和物品，提高推薦系統(tǒng)的吸引力和生命力，維護用戶對系統(tǒng)的忠誠度。

綜上，當前的推薦系統(tǒng)主要追求的是在考慮時間開銷和資源開銷的條件下盡可能的提高推薦結(jié)果的準確性和個性化。常用的推薦算法有基于協(xié)同過濾的推薦算法(CF)和基于全局排序的推薦算法(GRM)，但是它們的缺點也是明顯的，CF算法雖然同時考慮了準確性和個性化的因素，但是由于它對于用戶/ 物品相似度的重復計算量太大，往往會造成很大的資源開銷，而GRM算法的時間復雜度低，但是由于只是對全局商品的一個熱點排序，也就是大家熟知的排行榜算法，因此缺少了針對具體用戶的個新化考慮，因此準確性欠佳。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于用戶社區(qū)的協(xié)作推薦系統(tǒng)，通過抓住用戶數(shù)據(jù)中隱藏的社區(qū)特性，來大幅減少系統(tǒng)時間開銷，提高整個系統(tǒng)推薦結(jié)果的準確性和個性化，具有很高的通用性，適用于現(xiàn)有的大多數(shù)推薦場景。

為實現(xiàn)上述發(fā)明目的，本發(fā)明為一種基于用戶社區(qū)的協(xié)作推薦系統(tǒng)，其特征在于，包括：

一數(shù)據(jù)引擎模塊，用于從數(shù)據(jù)庫中提取所有用戶-物品數(shù)據(jù)，再利用用戶-物品數(shù)據(jù)構(gòu)建用戶-物品關系數(shù)據(jù)表，且將該表存儲到數(shù)據(jù)庫；

其中，用戶-物品關系數(shù)據(jù)表中的每一行代表一位用戶的數(shù)據(jù)信息，每一列代表一件物品的數(shù)據(jù)信息，表內(nèi)每項數(shù)據(jù)值的大小，代表了對應用戶和物品關系的緊密程度；

一特征提取模塊，從數(shù)據(jù)庫中提取用戶-物品關系數(shù)據(jù)表，構(gòu)建用戶-物品關系矩陣，采用SVD算法對用戶-物品關系矩陣進行矩陣分解操作，得到用戶特征數(shù)據(jù)表U、奇異值矩陣表S和物品特征數(shù)據(jù)表V，再將對應數(shù)據(jù)表存入數(shù)據(jù)庫中；

其中，U中的每一行代表一位用戶，每一列代表不同的用戶特征；S中存放的是用戶-物品關系矩陣的奇異值數(shù)據(jù)；V中的每一行代表一件物品，每一列代表不同的物品特征；

一社區(qū)識別模塊，從數(shù)據(jù)庫中提取用戶特征數(shù)據(jù)表U，根據(jù)用戶特征數(shù)據(jù)表U，利用Fuzzy c-means算法對用戶進行重疊社區(qū)識別，得到每位用戶對于每個社區(qū)的隸屬度，進而構(gòu)建相應的用戶-社區(qū)數(shù)據(jù)表，并存入到數(shù)據(jù)庫；

其中，用戶-社區(qū)數(shù)據(jù)表的每一行代表一個用戶，每一列代表一個社區(qū)，表中的每一項數(shù)值代表該用戶對于該社區(qū)的隸屬度，且每一行所有數(shù)值和為1；

一協(xié)同推薦模塊，據(jù)數(shù)據(jù)庫中的用戶-社區(qū)數(shù)據(jù)表，以及預存的用戶購買記錄表，篩選出符合條件的核心用戶，進而構(gòu)建每個社區(qū)的社區(qū)推薦信息核， 針對具體某一用戶，采取其隸屬度最高的3個社區(qū)的社區(qū)推薦信息核，并執(zhí)行推薦算法，預測相應用戶的推薦列表并發(fā)送給用戶；

一增量更新模塊，收集在線系統(tǒng)在時間T內(nèi)產(chǎn)生的及時用戶數(shù)據(jù)，并判斷這些及時用戶數(shù)據(jù)的類型，如果產(chǎn)生該及時用戶數(shù)據(jù)的用戶是系統(tǒng)中早已存在的用戶時，采用Complete Incremental Learning SVD算法來更新用戶的特征數(shù)據(jù)，再進入到社區(qū)識別模塊；否則采用Folding-in SVD算法提取該及時用戶數(shù)據(jù)的用戶特征數(shù)據(jù)，再進入到社區(qū)識別模塊。

本發(fā)明的發(fā)明目的是這樣實現(xiàn)的：

本發(fā)明基于用戶社區(qū)的協(xié)作推薦系統(tǒng)，包括數(shù)據(jù)引擎模塊、特征提取模塊、社區(qū)識別模塊、協(xié)同推薦模塊和增量更新模塊；通過各個模塊的協(xié)同工作，提取出用戶數(shù)據(jù)中隱藏的社區(qū)特性，來大幅減少系統(tǒng)時間開銷，提高整個系統(tǒng)推薦結(jié)果的準確性和個性化，具有很高的通用性，適用于現(xiàn)有的大多數(shù)推薦場景。

同時，本發(fā)明基于用戶社區(qū)的協(xié)作推薦系統(tǒng)還具有以下有益效果：

(1)、針對大多數(shù)推薦系統(tǒng)面臨的數(shù)據(jù)稀疏性問題，本系統(tǒng)通過引入上下文感知技術(shù)主動獲取用戶與系統(tǒng)交互行為數(shù)據(jù)，使得獲取的用戶交互數(shù)據(jù)量大幅增加，推薦系統(tǒng)可以實時獲取用戶的當前情況，進而使得推薦服務能夠動態(tài)反映用戶需求的變化情況；

(2)、本發(fā)明不僅降低用戶獲取信息的復雜度，而且提高了用戶獲取信息的速度和準確度，個性化的推薦方式也同時滿足了用戶的個性需求，提高了系統(tǒng)的競爭力和吸引力，培養(yǎng)了用戶的忠誠度；

(3)、本發(fā)明對用戶的負擔小，由于本系統(tǒng)收集和采用了用戶的隱式反饋數(shù)據(jù)，不需要增加用戶對系統(tǒng)的顯式操作，可以從有限的反饋信息中挖掘出關系數(shù)據(jù)信息，提高系統(tǒng)效率，減輕用戶負擔；

(4)、本發(fā)明采用了用戶社區(qū)的多樣化學習，使得推薦結(jié)果更符合現(xiàn)實用戶的行為方式和習慣，進而推薦結(jié)果的精確度提高，同時推薦結(jié)果也具有很好的可解釋性；

(5)本發(fā)明方法具有通用性，可用于網(wǎng)絡電視節(jié)目的推薦、電子商務網(wǎng)站購物推薦、在線音樂推薦等多種推薦情景。

附圖說明

圖1是本發(fā)明基于用戶社區(qū)的協(xié)作推薦系統(tǒng)原理圖；

圖2是本發(fā)明基于用戶社區(qū)的協(xié)作推薦系統(tǒng)流程圖；

圖3是SVD算法提取用戶特征矩陣的原理示意圖；

圖4是Folding-in SVD算法進行增量計算的示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的具體實施方式進行描述，以便本領域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當已知功能和設計的詳細描述也許會淡化本發(fā)明的主要內(nèi)容時，這些描述在這里將被忽略。

實施例

圖1是本發(fā)明基于用戶社區(qū)的協(xié)作推薦系統(tǒng)原理圖。

在本實施例中，如圖1所示，本發(fā)明一種基于用戶社區(qū)的協(xié)作推薦系統(tǒng)，包括：數(shù)據(jù)引擎模塊、特征提取模塊、社區(qū)識別模塊、協(xié)同推薦模塊和增量更新模塊；

下面結(jié)合圖2對協(xié)作推薦系統(tǒng)中各子模塊的工作流程進行如下詳細說明。

數(shù)據(jù)引擎模塊，從數(shù)據(jù)庫中提取所有用戶-物品數(shù)據(jù)，這里是將影響推薦結(jié)果準確性的所有用戶-物品數(shù)據(jù)均考慮在內(nèi)，這樣減小了構(gòu)建用戶-物品關系數(shù)據(jù)表的稀疏度，再通過推薦工程師調(diào)節(jié)相關的參數(shù)權(quán)重配置，利用用戶-物品數(shù)據(jù)構(gòu)建用戶-物品關系數(shù)據(jù)表，并將該表存儲到數(shù)據(jù)庫；

其中，用戶-物品關系數(shù)據(jù)表的中每一行代表一位用戶的數(shù)據(jù)信息，每一列代表一件物品的數(shù)據(jù)信息，表內(nèi)每項數(shù)據(jù)值的大小，代表了對應用戶和物品關系的緊密程度；

特征提取模塊，從數(shù)據(jù)庫中提取用戶-物品關系數(shù)據(jù)表，構(gòu)建用戶-物品關系矩陣，采用SVD算法對用戶-物品關系矩陣進行矩陣分解操作，得到用戶特征數(shù)據(jù)表U、奇異值矩陣表S和物品特征數(shù)據(jù)表V，再將這三張數(shù)據(jù)表存入數(shù)據(jù)庫；這樣將高維原始數(shù)據(jù)壓縮到低維數(shù)據(jù)上進行計算，減少系統(tǒng)開銷，同時對數(shù)據(jù)的稀疏度得到了進一步的處理，同時也提高了社區(qū)識別的準確度。

其中，U的每一行代表每位用戶，每一列代表不同的用戶特征維度；S中存儲的是用戶-物品關系矩陣的奇異值數(shù)據(jù)；V的每一行代表一件物品，每一列 代表不同的物品特征維度；

在本實施例中，SVD分解的原理如圖3所示，對于任意用戶-物品關系矩陣

可以近似分解成三個矩陣的乘積；

$R=U_{\stackrel{\·}{k}}{S}_{\stackrel{\·}{k}}{V}_{\stackrel{\·}{k}}^T$

其中，和是維的用戶特征矩陣和物品特征矩陣，代表的是用戶數(shù)，代表的是物品數(shù)，代表的是推薦工程師設置的用戶特征向量的長度。利用和我們可以計算用戶的相似度和商品的相似度。該方法有以下兩個優(yōu)點：

(a)降維可以去除數(shù)據(jù)的部分噪音，得到的相似度更準確；(b)值一般遠遠小于用戶個數(shù)和商品個數(shù)，因此該方法的效率更高。這樣每個用戶使用一個低維特征向量數(shù)據(jù)來表征自己，便于接下來的社區(qū)識別的快速實現(xiàn)。

社區(qū)識別模塊，從數(shù)據(jù)庫中提取用戶特征數(shù)據(jù)表U，根據(jù)用戶特征數(shù)據(jù)表U，利用Fuzzy c-means算法對用戶進行重疊社區(qū)識別，得到每個用戶對于每個社區(qū)的隸屬度，進而構(gòu)建相應的用戶-社區(qū)數(shù)據(jù)表，并存入到數(shù)據(jù)庫；

在用戶-社區(qū)數(shù)據(jù)表的每一行代表一個用戶，每一列代表一個社區(qū)，表中的每一項數(shù)值代表該用戶屬于該社區(qū)的隸屬度，且每一行所有數(shù)值和為1，行向量中值越大代表用戶歸屬于該社區(qū)的可能性越高，列向量中的非零數(shù)值越多，代表該社區(qū)中的用戶數(shù)越多。

其中，利用Fuzzyc-means算法對用戶進行重疊社區(qū)識別的具體方法為：

(1.1)、初始化每個社區(qū)的中心起始位置1≤j≤K，K為社區(qū)總數(shù)目；初始化用戶-社區(qū)數(shù)據(jù)表W；

(1.2)、計算t次迭代時用戶i屬于社區(qū)j的隸屬度其中，1≤i≤N，N為總用戶數(shù)，1≤t≤T_max，T_max為迭代最大次數(shù)；

$w_{ij}^{\left(i\right)}=\frac{1}{{\mathrm{\Σ}}_{k=1}^K{\left(\frac{\left|\right|U_i-c_j^{\left(t\right)}\left|\right|}{\left|\right|U_i-c_k^{\left(t\right)}\left|\right|}\right)}^{\frac{a}{m-1}}}$

其中，U_i表示用戶i的特征向量，表示第j個社區(qū)在t次迭代時的中心起 始位置，m為模糊指數(shù)，a為常數(shù)，||*||表示計算相似度；

(1.3)、更新用戶-社區(qū)數(shù)據(jù)表：將步驟(1.2)計算的隸屬度存入用戶—社區(qū)數(shù)據(jù)表W中；

(1.4)、更新每個社區(qū)中心

$c_j^{\left(t\right)}=\frac{{\mathrm{\Σ}}_{i=1}^N{\left(w_{ij}^{\left(t\right)}\right)}^m{U}_i}{{\mathrm{\Σ}}_{i=1}^N{\left(w_{ij}^{\left(t\right)}\right)}^m}$

(1.5)、計算相鄰兩次迭代中隸屬度矩陣的相似度||W^(t)-W^(t-1)||，再將該相似度與預設的閾值ε比較，如果||W^(t)-W^(t-1)||＜ε，則迭代結(jié)束；否則，t＝t+1，返回步驟(1.2)，進行下一輪迭代。

協(xié)同推薦模塊，據(jù)數(shù)據(jù)庫中的用戶—社區(qū)數(shù)據(jù)表，以及預存的用戶購買記錄表，篩選出符合條件的核心用戶，進而構(gòu)建每個社區(qū)的社區(qū)推薦信息核，針對具體某一用戶，采取其隸屬度最高的3個社區(qū)的社區(qū)推薦信息核，并執(zhí)行推薦算法，預測相應用戶的推薦列表并發(fā)送給用戶；

首先，協(xié)同推薦模塊中需要篩選出符合條件的核心用戶，其選取標準為：

(2.1)、將本社區(qū)內(nèi)的所有用戶按照隸屬度進行降序排列；

(2.2)、選出本社區(qū)內(nèi)隸屬度排名前L名的用戶，本實施例中選取本社區(qū)內(nèi)隸屬度排名前30％的用戶；

(2.3)、選出社區(qū)內(nèi)隸屬度大于閾值alpha的用戶，取步驟(3.2)、(3.3)篩選出用戶的并集，并將這些用戶作為核心用戶。

其次，有了核心用戶后，通過查找這些核心用戶的購買記錄，配合用戶信息構(gòu)建出社區(qū)推薦信息核。

最后，利用推薦算法產(chǎn)生用戶推薦列表，具體步驟為：

(3.1)、讀取用戶i所在隸屬度最高的3個社區(qū)的社區(qū)推薦信息核；

(3.2)、將社區(qū)推薦信息核中記錄的購買物品按照以下公式，計算出購買物品的推薦得分；

其中，表示第個物品的最后推薦得分，w_ij表示用戶i對社區(qū)j的隸屬 度，表示第個物品在社區(qū)j中的推薦分數(shù)；

(3.3)、將所有購買物品按照步驟(3.2)所述方法計算出推薦分數(shù)后，將推薦分數(shù)降序排列，剔除掉用戶i購買過的物品，再選出推薦分數(shù)前H＝10名的購買物品，通過這H＝10名購買物品及對應的推薦分數(shù)生用戶推薦列表。

在本實施例中，常用的推薦參數(shù)是：社區(qū)數(shù)5，用戶數(shù)50％，40％，30％，20％，20％；推薦分數(shù)：10,10,10,5,5等。

收集在線系統(tǒng)在時間T內(nèi)產(chǎn)生的及時用戶數(shù)據(jù)，并判斷這些及時用戶數(shù)據(jù)的類型，如果產(chǎn)生該及時用戶數(shù)據(jù)的用戶是系統(tǒng)中早已存在的用戶時，采用Complete Incremental Learning SVD算法來更新用戶的特征數(shù)據(jù)，再進入到社區(qū)識別模塊；否則采用Folding-in SVD算法提取該及時用戶數(shù)據(jù)的用戶特征數(shù)據(jù)，再進入到社區(qū)識別模塊。

其中，利用Complete Incremental learning SVD算法更新用戶的特征數(shù)據(jù)的方法為：

(4.1)、定義目標函數(shù)：

其中，為目標函數(shù)值，代表經(jīng)過計算機學習后用戶對物品的關系預測誤差；表示用戶對物品的物品關系值；

$U^{*}=U\sqrt[2]{S},V^{*}=\sqrt[2]{S}{V}^T,p(U^{*},V^{*})=U^{*}{V}^{*T};$

其中，U、S、V為特征提取模塊提取的用戶特征數(shù)據(jù)、奇異值數(shù)據(jù)、物品特征數(shù)據(jù)，V^T是V的轉(zhuǎn)置；k_u、k_m是正則化因子；

(4.2)、設置學習速率μ；利用梯度計算公式對所有的物品關系值計算梯度

(4.3)、利用梯度更新用戶的特征向量；

其中，結(jié)合圖4，利用Folding-in SVD算法抽取新用戶的特征數(shù)據(jù)的方法為：

(5.1)、從數(shù)據(jù)庫中提取出物品特征數(shù)據(jù)并構(gòu)建相應的物品特征矩陣V；

(5.2)、將及時用戶數(shù)據(jù)通過數(shù)據(jù)引擎模塊處理為對應的用戶—物品關系數(shù)據(jù)N_u；

(5.3)計算新用戶的特征

$\hat{u}=N_u\×V$

(5.4)將新的用戶特征數(shù)據(jù)寫入到數(shù)據(jù)庫中的表U。

盡管上面對本發(fā)明說明性的具體實施方式進行了描述，以便于本技術(shù)領域的技術(shù)人員理解本發(fā)明，但應該清楚，本發(fā)明不限于具體實施方式的范圍，對本技術(shù)領域的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護之列。