面向奇异发现推荐的兴趣模型更新方法

摘要

本发明公开了一种面向奇异发现推荐的兴趣模型更新方法，该面向奇异发现推荐的兴趣模型更新方法用于在门户个性化推荐服务系统中，其特征在于：所述面向奇异发现推荐的兴趣模型更新方法包括有长期兴趣模型修正规则LMR，长期兴趣模型更新规则LUR，短期兴趣模型构造/更新规则SUR以及兴趣漂移检测IDR。本发明用户兴趣模型更新方法能够部分更新用户兴趣描述、易于获得用户短期兴趣状态，满足了奇异发现推荐的需要，实现了用户兴趣模型的高效准确更新；并能够对噪声数据进行识别和处理，在快速响应兴趣漂移的同时，避免了噪声数据对用户兴趣模型稳定性的影响。本发明的更新方法能够识别和处理噪声数据，提高了用户兴趣模型的准确性和稳定性。

主权项

1、一种面向奇异发现推荐的兴趣模型更新方法，该面向奇异发现推荐的兴趣模型更新方法用于在门户个性化推荐服务系统中，其特征在于：所述面向奇异发现推荐的兴趣模型更新方法包括有长期兴趣模型修正规则LMR，长期兴趣模型更新规则LUR，短期兴趣模型构造/更新规则SUR以及兴趣漂移检测IDR；对兴趣模型更新方法有下列处理步骤：步骤101：等待一条个性化推荐反馈信息，个性化推荐反馈信息RF是由推荐项目I和反馈权值F构成的二元组，数学表达形式为RF＝；收到反馈信息后，转到步骤102；所述推荐项目I是在WWW最新资源111中选择的与用户兴趣相似的资源，这些资源可以以超链接形式存在于门户平台中；所述反馈权值F是表示用户对推荐项目的感兴趣程度，它是[0，1]区间上的一个正实数，通过计算用户浏览行为或用户对推荐项目的评分而获得；步骤102：采用兴趣漂移检测IDR进行兴趣漂移的检测，检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，则转到步骤103；否则，转到步骤104；步骤103：采用长期兴趣模型修正规则LMR对长期兴趣模型进行修正，获得修正后的长期兴趣模型；此步骤是对长期兴趣模型进行修正，并且仅使用长期兴趣模型进行个性化推荐，结束此次更新过程。步骤104：采用短期兴趣模型构造/更新规则SUR进行生成或者更新短期兴趣模型，同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例均为50％，等待一条反馈信息，若收到反馈信息后转到步骤105；短期兴趣模型以当前使用的长期兴趣模型的副本作为更新基础，是用于反映用户最新兴趣偏好的兴趣模型；步骤105：检测反馈信息的数量FB是否达到能够进行兴趣漂移确认的反馈信息数量的阈值CT；若FB≥CT，则转到步骤106；否则，转到104；步骤106：采用兴趣漂移检测IDR进行兴趣漂移的确认；检测用户长期兴趣模型实际预测成功率ORLT是否超过用户长期兴趣模型期望预测成功率ERLT；若ORLT≥ERLT，结束此次更新过程；否则，转到步骤107；步骤107：执行模型快照存储，即将当前所使用的长期兴趣模型进行存储，将其作为用户兴趣的一个历史状态保存在用户兴趣状态序列中；转到步骤108；步骤108：采用长期兴趣模型更新规则LUR执行长期兴趣模型更新；采用短期兴趣模型构造/更新规则SUR执行短期兴趣模型更新；并且同时使用长、短期兴趣模型进行个性化推荐，此时长、短期兴趣模型的作用比例分别为m，1-m，其中m＝ERLT/(ERLT+ERST)；转到步骤109；步骤109：等待下一次反馈信息，若收到反馈信息后转到步骤110；步骤110：对比长、短期兴趣模型期望预测成功率。检测用户长期兴趣模型期望预测成功率ERLT是否超过用户短期兴趣模型期望预测成功率ERST。若ERLT≥ERST，则转到步骤111；否则，转到步骤108；步骤111：采用长期兴趣模型更新规则LUR对长期兴趣模型进行更新，单独使用长期兴趣模型进行个性化推荐，结束此次更新过程。