CN103996143A - 一种基于隐式偏见和好友兴趣的电影评分预测方法 - Google Patents

Abstract

本发明公开了一种基于隐式偏见和好友兴趣的电影评分预测方法，该方法根据用户电影评分日志和用户的好友列表数据，构建结合个人偏见和好友兴趣的评分预测模型，训练并得到用户对电影的偏见矩阵、用户隐式特征矩阵、物品隐式特征矩阵。结合好友列表数据和用户隐式特征矩阵，生成好友兴趣隐式特征矩阵，根据用户隐式特征矩阵、物品特征矩阵，用户-物品偏见矩阵和好友兴趣隐式特征矩阵，生成用户-物品预测评分矩阵，最后为用户生成推荐列表。本发明综合考虑用户的评分偏见和好友的物品偏好，提高了推荐的品质。

Description

一种基于隐式偏见和好友兴趣的电影评分预测方法

技术领域

本发明涉及互联网的电影推荐技术领域，具体地说是一种基于隐式偏见和好友兴趣的电影评分预测方法。

背景技术

随着互联网的快速发展和信息传递速度的不断提高，社交网站变得越来越流行，带有电子商务的社交网站也变得越来越活跃，比如flixster.com和epinions.com(已归入eBay)。人们常常会在在其所属的社交网站，把观看过的电影、购买过的商品和看过的书籍与好友沟通和交流。在这类社交网站中，用户对电影的评论，不仅仅由个人偏好的因素决定，同时受到好友因素的影响。

考虑用户偏见的矩阵分解技术和考虑好友兴趣的矩阵分解技术在这几年也常常被用来预测用户对电影的评分，但是，却没有同时考虑个人偏见和好友兴趣的矩阵分解技术。

发明内容

本发明的目的是提供一种基于隐式偏见和好友兴趣的电影评分预测方法，该方法针对用户观看电影时会参考好友的电影偏好，构建结合个人偏见和好友兴趣的评分预测模型，训练并预测用户对电影的评分，根据得到的预测评分为用户做电影推荐。

本发明的目的是这样实现的：

一种基于隐式偏见和好有兴趣的电影评分预测方法，具体操作步骤：

a)根据电影评分日志数据和好友列表数据，分别生成用户-物品评分矩阵和用户-好友关系矩阵，两个矩阵分别记为R，F；手动设置模型训练参数即好友兴趣权重w；

b)根据用户-物品评分矩阵、用户-好友关系矩阵及模型训练参数，训练“结合个人偏见和好友兴趣的评分预测模型”，得到用户-物品偏见矩阵、用户隐式特征矩阵和物品隐式特征矩阵；具体为：

ⅰ)设计“结合个人偏见和好友兴趣的评分预测模型”，包括：目标函数和评分预测公式；目标函数L为：

$L=\underset{u,i\∈R}{\mathrm{\Σ}}{(r_{\mathrm{ui}}-{\hat{r}}_{\mathrm{ui}})}^2+\mathrm{\λ}{\left|\right|P\left|\right|}^2+\mathrm{\λ}{\left|\right|Q\left|\right|}^2$

其中，u表示用户，i表示物品，P，Q分别表示用户隐式特征矩阵和物品隐式特征矩阵，λ为P，Q的因子；评分预测公式为：

${\hat{r}}_{\mathrm{ui}}=\mathrm{\μ}+b_u+b_i+p_u\·(\frac{w}{\left|F\left(u\right)\right|}\underset{j\∈F\left(u\right)}{\mathrm{\Σ}}{p_j}^T+{q_i}^T)$

其中，表示用户u对电影i的预测评分，μ为R中评分的平均值，b_u+b_i表示用户u对电影i的偏见值，p_u，q_i分别表示用户和物品的隐式特征向量，分别是P中的第u列和Q中的第i列，F(u)表示用户u的好友列表，w为好友兴趣权重；

ⅱ)采用随机梯度下降算法，训练“结合个人偏见和好友兴趣的评分预测模型”,得到用户-物品偏见矩阵、用户隐式特征矩阵P和物品隐式特征矩阵Q；

c)根据用户隐式特征矩阵和用户-好友关系矩阵，以好友兴趣的中心乘以给定的权重，计算好友兴趣隐式特征矩阵，具体为：根据好友权重w、用户隐式特征矩阵P和用户-好友关系矩阵，计算好友兴趣隐式特征矩阵；其中，用户u的好友兴趣隐式特征向量的计算如下：

$\frac{w}{\left|F\left(u\right)\right|}{\mathrm{\Σ}}_{j\∈F\left(u\right)}{p_j}^T;$

d)根据训练出来的用户-物品偏见矩阵、用户隐式特征矩阵P、物品隐式特征矩阵Q、好友兴趣隐式特征矩阵以及步骤b)中用户对电影的预测评分公式，生成用户-物品预测评分矩阵记为；

e)根据用户-物品预测评分矩阵生成推荐列表，为每个用户推荐节目；其中，对于用户u,排序其对所有电影的预测评分，取前N个电影推荐给该用户。

与现有技术相比，本发明有以下优点：

1)、不仅考虑用户的电影观看时的个人偏见，同时考虑用户好友的电影偏好

本发明针对用户观看电影时会参考好友的电影偏好，构建结合个人偏见和好友兴趣的评分预测模型，训练并预测用户对电影的评分，综合考虑用户购买观看电影时候的个人偏见和好友的电影兴趣偏好，从而使得预测的评分更加准确。

2)、兼容性

本发明中，针对用户观看电影偏见和好友的电影偏好提出结合个人偏见和好友兴趣的评分预测模型，该模型中的隐式矩阵P，Q也可以作为常用协同过滤算法的输入而相结合，可较好的兼容传统的方法。

附图说明

图1为本发明流程示意图；

图2为本发明实施例示意图,图中：直线为评分；弧线为好友；虚线为预测评分。

具体实施方式

参阅图1，本发明应用于电影推荐系统中，首先输入用户评分日志数据和用户好友列表数据，训练“结合个人偏见和好友兴趣的评分预测模型”，得到用户对电影的预测评分，降序排序预测评分生成推荐列表，其具体步骤如下：

第一步：根据电影评分日志数据生成用户-物品评分矩阵，记为R；

第二步：根据好友列表数据用户-好友关系矩阵，记为F；

第三步：设计模型并手动设置模型训练参数：好友兴趣权重w(一般设置为0.01)。该模型包括以下两部分设计：目标函数的设计和评分预测公式的设计。目标函数L为：

$L=\underset{u,i\∈R}{\mathrm{\Σ}}{(r_{\mathrm{ui}}-{\hat{r}}_{\mathrm{ui}})}^2+\mathrm{\λ}{\left|\right|P\left|\right|}^2+\mathrm{\λ}{\left|\right|Q\left|\right|}^2$

其中，u表示用户，i表示物品，P，Q分别表示用户隐式特征矩阵和物品隐式特征矩阵，λ为P，Q的因子。评分预测公式设计为：

${\hat{r}}_{\mathrm{ui}}=\mathrm{\μ}+b_u+b_i+p_u\·(\frac{w}{\left|F\left(u\right)\right|}\underset{j\∈F\left(u\right)}{\mathrm{\Σ}}{p_j}^T+{q_i}^T)$

其中，表示用户u对电影i的预测评分，μ为R中评分的平均值，b_u+b_i表示用户u对电影i的偏见值，p_u，q_i分别表示用户和物品的隐式特征向量，分别是P中的第u列和Q中的第i列，F(u)表示用户u的好友列表。

第四步：根据随机梯度下降算法训练第三步中设计的模型，得到用户-物品偏见矩阵、用户隐式特征矩阵P和物品隐式特征矩阵Q。

第五步：根据用户-好友矩阵和用户隐式特征矩阵计算好友兴趣隐式特征矩阵。取好友兴趣的中心乘以给定的权重作为好友的兴趣的隐式特征，式子如下：

$\frac{w}{\left|F\left(u\right)\right|}\underset{j\∈F\left(u\right)}{\mathrm{\Σ}}{p_j}^T$

其中F(u)表示用户u的好友列表；

第六步：根据第四步中得到的用户-物品偏见矩阵、用户隐式特征矩阵P和物品隐式特征矩阵Q，第五步中得到的好友兴趣隐式特征矩阵、以及第三步中用户对电影的预测评分公式，生成用户-物品预测评分矩阵记为；

第七步：根据用户-物品预测评分矩阵生成推荐列表，为每个用户推荐节目。对于用户u,排序其对所有电影的预测评分，取前N个电影推荐给该用户。

参阅图2，实施例示意图。在社交电子商务网站中，多个用户会对同一个物品评价，对同一个物品评价的用户中，有很多人彼此是好友，会通过电子邮件、在线消息或离线消息的形式交流彼此对观看过的电影、购买过的物品和看过的书籍等的意见和兴趣。

通过步骤一至四，构建并训练“结合个人偏见和好友兴趣的评分预测模型”，得到隐式用户对物品的偏见、隐式用户特征和物品隐式。步骤五至七，利用隐式特征计算好友的兴趣，并预测用户对电影的评分，根据预测的评分推荐电影给用户。

例如，u₁是u₂和u₃的好友，并且u₂和u₃同时观看过电影i₂，要预测用户u₁对电影i₂的评分(偏好程度)。通过步骤一至四，得到用户u₁对电影i₂的偏见值b₁₂，用户隐式特征p₁，p₂，p₃，物品隐式特征i₁，i₂，i₃。步骤五至七，利用评分预测公式计算出u₁对电影i₂的评分同时计算u₁未观看过的电影i₃的预测评分把作为推荐给用户u₁的列表L₁，降序排序L₁，推荐L₁中评分高的前N个物品i₂(假设：并且N＝1)。

Claims (1)

1.一种基于隐式偏见和好友兴趣的电影评分预测方法，其特征在于该方法包括以下具体步骤：

a)根据电影评分日志数据和好友列表数据，分别生成用户-物品评分矩阵和用户-好友关系矩阵，两个矩阵分别记为R，F；手动设置模型训练参数即好友兴趣权重w；

b)根据用户-物品评分矩阵、用户-好友关系矩阵及模型训练参数，训练“结合个人偏见和好友兴趣的评分预测模型”，得到用户-物品偏见矩阵、用户隐式特征矩阵和物品隐式特征矩阵；具体为：

ⅰ)设计“结合个人偏见和好友兴趣的评分预测模型”，包括：目标函数和评分预测公式；目标函数L为：

$L=\underset{u,i\∈R}{\mathrm{\Σ}}{(r_{\mathrm{ui}}-{\hat{r}}_{\mathrm{ui}})}^2+\mathrm{\λ}{\left|\right|P\left|\right|}^2+\mathrm{\λ}{\left|\right|Q\left|\right|}^2$

其中，u表示用户，i表示物品，P，Q分别表示用户隐式特征矩阵和物品隐式特征矩阵，λ为P，Q的因子；评分预测公式为：

${\hat{r}}_{\mathrm{ui}}=\mathrm{\μ}+b_u+b_i+p_u\·(\frac{w}{\left|F\left(u\right)\right|}\underset{j\∈F\left(u\right)}{\mathrm{\Σ}}{p_j}^T+{q_i}^T)$

其中，表示用户u对电影i的预测评分，μ为R中评分的平均值，b_u+b_i表示用户u对电影i的偏见值，p_u，q_i分别表示用户和物品的隐式特征向量，分别是P中的第u列和Q中的第i列，F(u)表示用户u的好友列表，w为好友兴趣权重；

ⅱ)采用随机梯度下降算法，训练“结合个人偏见和好友兴趣的评分预测模型”,得到用户-物品偏见矩阵、用户隐式特征矩阵P和物品隐式特征矩阵Q；

c)根据用户隐式特征矩阵和用户-好友关系矩阵，以好友兴趣的中心乘以给定的权重，计算好友兴趣隐式特征矩阵，具体为：根据好友权重w、用户隐式特征矩阵P和用户-好友关系矩阵，计算好友兴趣隐式特征矩阵；其中，用户u的好友兴趣隐式特征向量的计算如下：

$\frac{w}{\left|F\left(u\right)\right|}{\mathrm{\Σ}}_{j\∈F\left(u\right)}{p_j}^T;$

d)根据训练出来的用户-物品偏见矩阵、用户隐式特征矩阵P、物品隐式特征矩阵Q、好友兴趣隐式特征矩阵以及步骤b)中用户对电影的预测评分公式，生成用户-物品预测评分矩阵记为；

e)根据用户-物品预测评分矩阵生成推荐列表，为每个用户推荐节目；其中，对于用户u,排序其对所有电影的预测评分，取前N个电影推荐给该用户。