一种融合社交信息的推荐系统解决方法

摘要

本发明涉及一种融合社交信息的推荐系统解决方法，包括：选取一段时间内的用户对商品的评分,以这些用户对这些商品的评分，用户好友关系信息和用户的自身特性作为数据集；统计出全部用户数和全部商品数，构建用户‑商品真实评分矩阵，随机选取一部分评分数据作为训练集同时构建用户好友矩阵，用户自身特性矩阵；计算用户和其好友之间的相似度；采用隐语义模型，生成用户特征矩阵和商品特征矩阵，矩阵相乘得到预测评分；计算预测评分跟真实评分之间的均方根误差RMSE，并加入用户之间相似度作为社交信息对误差的权重。采用梯度下降算法对的用户特征和商品特征进行迭代更新。本发明有效提高对新用户的推荐准确度。

主权项

一种融合社交信息的推荐系统解决方法，包括下列步骤：(1)选取一段时间内的用户对商品的评分,以这些用户对这些商品的评分，用户好友关系信息和用户的自身特性作为数据集；(2)统计出全部用户数和全部商品数，构建用户‑商品真实评分矩阵，随机选取一部分评分数据作为训练集，另一部分％的评分数据作为测试集，同时构建用户好友矩阵，用户自身特性矩阵；(3)根据(2)中得到的训练数据，按照下述公式计算用户和其好友之间的相似度：$sim(i,f)=\frac{\underset{j\in I\left(i\right)\cap I\left(f\right)}{\Sigma }(R_{ij}-{\bar{R}}_i)(R_{fj}-{\bar{R}}_f)}{\sqrt{\underset{j\in I\left(i\right)\cap I\left(f\right)}{\Sigma }{(R_{ij}-{\bar{R}}_i)}^2}·\sqrt{\underset{j\in I\left(i\right)\cap I\left(f\right)}{\Sigma }{(R_{fj}-{\bar{R}}_f)}^2}}+\frac{\sqrt{{(D_i-D_f)}^2}}{\sqrt{{D_i}^2}·\sqrt{{D_f}^2}}$I(i)为用户i评分的商品集，I(f)用户i的好友f评分的商品集，I(i)∩I(f)为用户i和其好友f都进行过评分的商品集，R_ij为用户i对商品j的评分，R_fj为用户i的好友f对商品j的评分，为用户i的全部评分均值，为用户i的好友f的全部评分均值，D_i为用户i的自身特性，D_f为用户i的好友f的自身特性；(4)采用隐语义模型，提取用户和商品数量相同的潜在特征，生成用户特征矩阵和商品特征矩阵，矩阵相乘得到预测评分；计算预测评分跟真实评分之间的均方根误差RMSE，并加入用户之间相似度作为社交信息对误差的权重。最终整合的误差函数如下：$\min \xi (R,U,V)=\frac{1}{2}\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{(R_{ij}-U_i^T{V}_j)}^2+\frac{\alpha }{2}\underset{i=1}{\overset{M}{\Sigma }}{\Sigma }_{f\in F\left(i\right)}sim(i,f)\left|\right|U_i-U_f|{|}^2+{\lambda }_1|\left|U\right|{|}^2+{\lambda }_2\left|\right|V|{|}^2$U_i为用户i的特征，V_j为商品j的特征，U为用户特征矩阵，V为商品特征矩阵。M为用户总数，N为商品总数。α为用户好友相似度权重，λ₁，λ₂为防止产生过拟合的正则化权重，F(i)为用户i的好友集，f为用户i的好友，U_f为好友f的特征，‖·‖²为欧式距离。(5)采用梯度下降算法对步骤(4)的用户特征和商品特征进行迭代更新，如果误差函数minξ(R,U,V)小于预设误差值或迭代次数达到预设次数则停止迭代，否则返回(4)继续计算。(6)采用测试集数据，进行算法评估，计算预测分数和真实分数的均方根误差RMSE，RMSE越小推荐结果越好,根据预测分数,对于目标用户，根据预测分数从大到小对商品进行排序，如果目标用户喜欢的商品集中在排序的靠前部分，则证明算法有效，反之说明算法无效。