技術特征：

1.一種基于屬性耦合矩陣分解的項目推薦方法，其特征在于，包含以下步驟：

步驟1)，對于待推薦項目的屬性信息，采用耦合對象相似度度量指標計算各個項目之間的相似度；

步驟2)，根據項目之間耦合對象相似度，構建包含項目屬性信息的正則化項；

步驟3)，在矩陣分解算法基礎上，結合包含項目信息的正則化項，采用梯度下降技術學習用戶和項目的隱藏特征向量；

步驟4)，根據學習的用戶和項目隱藏特征向量，使用用戶和項目隱藏特征向量的內積預測用戶對未評分項目的評分，根據預測評分為用戶提供項目推薦。

2.根據權利要求1所述的基于屬性耦合矩陣分解的項目推薦方法，其特征在于，所述步驟1)中，根據以下公式計算各個項目之間的耦合對象相似度：

$COS(i,i^{\′})=\underset{j=1}{\overset{l}{\Σ}}{\mathrm{\δ}}_j^A(a_{ij},a_{i^{\′}j})$

其中，a_ij和a_i'j是項目i和項目i'在特征a_j上的屬性值，為耦合屬性值相似度，l為項目特征的數(shù)量，i為大于零的自然數(shù)，j為大于零小于l的自然數(shù)；

所述特征a_j上屬性值a_ij和a_i'j之間的耦合屬性值相似度計算公式如下：

${\mathrm{\δ}}_j^A(a_{ij},a_{i^{\′}j})={\mathrm{\δ}}_j^{Ia}(a_{ij},a_{i^{\′}j})*{\mathrm{\δ}}_j^{Ie}(a_{ij},a_{i^{\′}j})$

其中，和分別表示特征內耦合屬性值相似度和特征間耦合屬性值相似度；

特征內耦合屬性值相似度的計算公式如下：

${\mathrm{\δ}}_j^{Ia}(a_{ij},a_{i^{\′}j})=\frac{|g_j\left(a_{ij}\right)|.|g_j\left(a_{i^{\′}j}\right)|}{\left|g_j\left(a_{ij}\right)\right|+\left|g_j\left(a_{i^{\′}j}\right)\right|+\left|g_j\left(a_{ij}\right)\right|.\left|g_j\left(a_{i^{\′}j}\right)\right|}$

其中，g_j(a_ij)和g_j(a_i'j)分別表示在待推薦項目的集合中、項目的特征a_j上屬性值等于a_ij與a_i'j的項目集合，|g_j(a_ij)|和|g_j(a_i'j)|分別表示集合g_j(a_ij)和g_j(a_i'j)中項目的個數(shù)；

特征間耦合屬性值相似度的計算方法如下：

${\mathrm{\δ}}_j^{Ie}(a_{ij},a_{i^{\′}j})=\underset{k=1,k\≠j}{\overset{l}{\Σ}}{\mathrm{\α}}_k{\mathrm{\δ}}_{j|k}(a_{ij},a_{i^{\′}j})$

其中，α_k是特征a_k(k≠j)的權重參數(shù)，α_k∈[0,1]。δ_j|k(a_ij,a_i'j)是屬性值a_ij與a_i'j在特征a_k(k≠j)下的特征間耦合屬性值相似度；

δ_j|k(a_ij,a_i'j)的計算公式如下：

${\mathrm{\δ}}_{j|k}=\underset{w\∈\∩}{\Σ}\min \{P_{k|j}\left(\right\{w\left\}\right|a_{ij}),P_{k|j}\left(\right\{w\left\}\right|a_{i^{\′}j})\}$

其中，∩為集合和的交集。為所有在特征a_j上取值a_ij的項目在特征a_k上屬性值集合；

P_k|j({w}|a_ij)和P_k|j({w}|a_i'j)是分別為a_ij和a_i'j的信息條件概率，其計算公式如下：

$P_{k|j}\left(\right\{w\left\}\right|x)=\frac{|g_k\left(w\right)\∩g_j\left(x\right)|}{\left|g_j\left(x\right)\right|}$

P_k|j({w}|x)描述了特征a_j取屬性值x條件下，特征a_k取值為w的條件分布。

3.根據權利要求2所述的基于屬性耦合矩陣分解的項目推薦方法，其特征在于，所述步驟2)中根據以下公式構建包含項目屬性信息的正則化項：

$\frac{\mathrm{\β}}{2}\underset{i=1}{\overset{M}{\Σ}}\underset{i^{\′}=1}{\overset{M}{\Σ}}cos(i,i^{\′})\left|\right|q_i-q_{i^{\′}}|{|}_F^2$

其中，β為控制正則化項的影響程度的正則化參數(shù)；M為推薦系統(tǒng)中項目的數(shù)量，cos(i,i')為項目i和項目i'的耦合對象相似度；q_i和q_i'分別為項目i和項目i'的隱藏特征向量；表示Frobenius范式；

令項目隱藏特征矩陣Q為[q₁,q₂,...,q_M]，e_i＝[0,0,...,1,...,0]^T為元素列向量，則

$\begin{array}{c}\frac{\mathrm{\β}}{2}\underset{i=1}{\overset{M}{\Σ}}\underset{i^{\′}=1}{\overset{M}{\Σ}}cos(i,i^{\′})\left|\right|q_i-q_{i^{\′}}|{|}_F^2\\ =\frac{\mathrm{\β}}{2}\underset{i=1}{\overset{M}{\Σ}}\underset{i^{\′}=1}{\overset{M}{\Σ}}cos(i,i^{\′})\left|\right|{\mathrm{Qe}}_i-{\mathrm{Qe}}_{i^{\′}}|{|}_F^2\\ =\frac{\mathrm{\β}}{2}\underset{i=1}{\overset{M}{\Σ}}\underset{i^{\′}=1}{\overset{M}{\Σ}}cos(i,i^{\′})tr\left({\left(Q\right(e_i-e_{i^{\′}}\left)\right)}^{T}Q\right(e_i-e_{i^{\′}}))\\ =\frac{\mathrm{\β}}{2}tr\left({\mathrm{QLQ}}^T\right)\end{array}$

其中，L＝Λ-S為拉普拉斯矩陣，為項目耦合相似度矩陣，S中元素S_i,j＝cos(i,j)表示項目i和項目j之間的耦合相似度，Λ為對角矩陣，對角元素

4.根據權利要求3所述的基于屬性耦合矩陣分解的項目推薦方法，其特征在于，所述步驟3)的詳細步驟為：

步驟3.1)，根據用戶-項目評分矩陣和由項目的屬性信息計算得到的項目耦合相似度矩陣S，在矩陣分解目標函數(shù)的基礎上加上包含項目屬性信息的正則化項，基于屬性耦合矩陣分解的推薦方法的目標函數(shù)如下：

其中為用戶隱藏特征矩陣，K為隱藏特征向量的維數(shù)，Ω為用戶-項目評分矩陣R中可觀測項(u，i)的集合，λ₁和λ₂為正則化控制參數(shù)，u代表用戶；

步驟3.2)，利用包含項目屬性信息的正則化項的變化形式替換目標函數(shù)中的最后一項，將其轉化為：

其中，W為指示矩陣，如果用戶u對項目i評分過，則W_ui＝1，否則為0；⊙表示Hadamard積操作；

步驟3.3)，根據以下公式計算目標函數(shù)關于隱藏特征矩陣P和Q的偏導數(shù)：

步驟3.4)，使用梯度下降的方法求解用戶隱藏特征矩陣P和項目隱藏特征矩陣Q。

5.根據權利要求4所述的基于屬性耦合矩陣分解的項目推薦方法，其特征在于，所述步驟4)中，用戶u對未評分過項目j的預測評分的計算方法如下：

${\tilde{R}}_{uj}=p_u^T{q}_j$

其中，p_u和q_j分別為用戶u和項目j的隱藏特征向量。