CN104346476B - 基于物品相似度和网络结构的个性化物品推荐方法 - Google Patents

Abstract

本发明公开了一种基于物品相似度和网络结构的个性化物品推荐方法。其实现的步骤是：1.定义系统拥有n个项目，m个用户，根据用户对项目的购买或浏览史构建n×m的邻近矩阵；2.根据项目信息构建n×n的项目相似矩阵；3.由临近矩阵及项目间的资源分配过程，计算n×n的项目资源分配矩阵；4.由资源分配矩阵与项目相似矩阵，计算综合的n×n项目分配矩阵；5.根据第l个用户初始资源分配结果与综合项目分配矩阵，计算最终的项目资源分配，根据该最终的项目资源分配结果对项目排降序；6.将排列靠前的S个该用户未浏览/购买的项目，推荐给该用户。本发明提高了推荐结果的准确性，可用于书籍、电影、音乐等的推荐。

Description

基于物品相似度和网络结构的个性化物品推荐方法

技术领域

本发明属于互联网技术领域，特别是一种物品推荐方法，适用于书籍、电影、音乐等的推荐。

背景技术

随着互联网技术的飞速发展，网络中的信息量急剧上升。然而，这一方面带来了信息超载的问题，即过量信息同时呈现使得用户无法从中获得自己感兴趣和对自己有用的部分，这样信息使用效率反而降低；另一方面也使得大量少人问津的信息成为网络中的暗信息，无法被用户获取。如何帮助用户在海量的数据中快速找到对其有价值的信息，并让网络中的隐含信息能够被用户获取成为亟待解决的问题。个性化的推荐系统应运而生，它是解决这些问题非常有潜力的方法。推荐系统是指利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。

推荐方法是个性化推荐系统的核心，现有的推荐方法主要有协同过滤方法以及基于用户—产品二部分网络结构的推荐方法。其中：

协同过滤方法，是通过计算用户之间的相似性，寻找目标用户的最近邻居，然后通过最近邻居预测目标用户对未评分项目的评分，最后产生推荐。周涛等于2007年提出基于用户—项目二部分网络结构的推荐方法(Network-Based Inference，NBI)得到了许多研究者的关注。

基于网络结构的推荐方法，就是利用二部分网络上的资源分配、热传导等复杂网络动力学过程来对用户进行个性化推荐。这种方法不但在推荐准确性上优于经典的协同过滤方法，而且在复杂性上也明显低于经典的协同过滤方法。然而，基于二部分网络上资源分配过程的推荐方法由于仅考虑用户的浏览或购买历史，而不考虑物品项目的内容信息和用户对物品的评分信息，造成了有效信息的损失及浪费，影响了推荐结果的准确性。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于物品相似度和网络结构的个性化物品推荐方法，以减小有效信息的损失和浪费，提高推荐结果的准确性。

为了实现上述目的，本发明给出如下两种技术方案：

技术方案一

一种基于物品相似度和网络结构的个性化物品推荐方法，包括如下步骤：

(1)定义推荐系统拥有n个项目，m个用户，根据用户对项目之间的购买或浏览历史，构建n×m的邻近矩阵A；

(2)计算项目之间的相似度，根据项目的类别信息构建n×n的项目相似矩阵P₁；

(3)根据项目在二部分网络上的资源分配过程，计算项目之间n×n的资源分配矩阵W；

(4)根据资源分配矩阵W，计算综合的n×n项目资源分配矩阵：W′＝P₁·W；

(5)根据步骤(4)得到的分配矩阵W′计算最终的项目资源分配结果：f_l′＝W′×f_l，其中f_l＝(a_l1,a_l2,…,a_ln)^T为邻近矩阵A的第l列，表示第l个用户的初始资源分配，T表示矩阵的转置；

(6)根据第l个用户最终的项目资源分配结果f_l′，对项目进行降序排列，将排列靠前的S个该用户未浏览/购买的项目，推荐给第l个用户，S为大于等于1的整数。

技术方案二

一种基于物品相似度和网络结构的个性化物品推荐方法，包括如下步骤：

1)定义推荐系统拥有n个项目，m个用户，根据用户对项目之间的购买或浏览历史，构建n×m的邻近矩阵A；

2)计算项目之间的相似度，根据项目的评分信息构建n×n的项目相似矩阵P₂；

3)根据项目在二部分网络上的资源分配过程，计算项目之间n×n的资源分配矩阵W；

4)根据资源分配矩阵W，计算综合的n×n项目分配矩阵W″：W″＝P₂·W；

5)根据步骤4)得到的项目分配矩阵W″，计算第l个用户的最终资源分配结果：f_l″＝W″×f_l；

其中f_l＝(a_l1,a_l2,…,a_ln)^T为邻近矩阵A的第l列，它表示第l个用户的初始资源分配，T表示矩阵的转置；

6)根据第l个用户最终的项目资源分配结果，对项目进行降序排列，将排列靠前的S个该用户未浏览/购买的项目，推荐给第l个用户，S为大于等于1的整数。

本发明由于考虑了物品项目的内容信息和用户对物品的评分信息，给出了项目之间相似度，与现有技术相比提高了推荐结果的准确性。

附图说明

图1是本发明的实现流程图。

具体实施方式

参照图1，本发明给出的如下两种实施例。

实施例1，基于物品类别信息相似度和网络结构的个性化物品推荐

步骤1：构建n×m的邻近矩阵A；

1a)定义推荐系统拥有n个项目，m个用户，所述项目，是指电影、图书及音乐等推荐物品，以电影为例，若一电影推荐系统中有1682部电影，943个用户，则n取1682，m取943；

1b)定义二部分网络图结构表示为G(X,Y,E)，其中，项目节点X表示为x₁,x₂,…,x_j,…x_n，用户节点Y表示为y₁,y₂,…,y_l,…y_m，E表示二部分网络图结构的边，若用户y_l浏览或购买过物品项目x_j，则连接这两个节点，其中j为1到n的整数，l为1到n的整数；

1c)根据上述二部分网络结构，得出n×m的邻近矩阵

其中第j行、第l列的值为：

其中，x_jy_l表示连接节点y_l与x_j的边。

步骤2：根据项目的类别信息计算n×n的项目相似矩阵P₁；

2a)假设第e个项目x_e具有u个类别，第f个项目x_f具有v个类别，以电影为例，根据内容电影分为多类，如爱情类，奇幻类，动作类，战争类等，共19类，且一部电影可以同时具有多个类别，若某一部电影同时为爱情类与动作类，则该电影具有2个类别，则定义基于类别的相似度：

其中e、f均为1到n的整数，c为x_e,x_f的相同类别个数，β为0到1之间的可调参数，取值为0.75；

2b)根据上述的相似度公式，计算所有项目之间的相似度，获得n×n基于类别的相似度矩阵P₁。

步骤3：计算项目之间资源分配矩阵W：

其中，k(y_l)表示用户y_l的度，即与用户y_l连接的项目个数，k(x_j)表示项目x_j的度，即与项目x_j连接的用户个数，a_il为临近矩阵A中第i行，第l列值，a_jl为临近矩阵A中第j行，第l列值。

步骤4：根据资源分配矩阵W与项目相似矩阵P₁，计算综合的n×n项目资源分配矩阵W′：

w_i′_j＝P_1ij×w_ij，其中，P_1ij为项目相似矩阵P₁中第i行，第j列值。

步骤5：根据得到的综合资源分配矩阵W′，计算最终的项目资源分配结果f_l′：f_l′＝W′×f_l，其中f_l＝(a_l1,a_l2,…,a_ln)^T为邻近矩阵A的第l列，表示第l个用户的初始资源分配，T表示矩阵的转置；

步骤6：根据第l个用户最终的项目资源分配结果f_l′，对项目进行降序排列，将排列靠前的S个该用户未浏览/购买的项目，推荐给第l个用户，S为大于等于1的整数。

实施例2，基于物品评分信息相似度和网络结构的个性化物品推荐

步骤一：构建n×m的邻近矩阵A；

(1a)定义推荐系统拥有n个项目，m个用户，项目指电影、图书及音乐等推荐物品，以电影为例，若一电影推荐系统中有1682部电影，943个用户，则n取1682，m取943；

(1b)定义二部分网络图结构表示为G(X,Y,E)，其中，项目节点X表示为x₁,x₂,…,x_j,…x_n，用户节点Y表示为y₁,y₂,…,y_l,…y_m，E表示二部分网络图结构的边，若用户y_l浏览或购买过物品项目x_j，则连接这两个节点，其中j为1到n的整数，l为1到n的整数；

(1c)根据上述二部分网络结构，得出n×m的邻近矩阵

其中第j行、第l列的值为：其中，x_jy_l表示连接节点y_l与x_j的边。

步骤二：根据项目的评分信息计算n×n的项目相似矩阵P₂；

(2a)根据用户对第j个项目x_j评分信息，以电影为例，用户对观看过的电影评分，评分为1至5的整数，则计算该项目x_j的评分信息熵：

其中q_h＝k_h/m,k_h为该项目评分为h的个数，

定义基于评分信息熵的项目x_e,x_f之间相似度：

(2b)根据上述的相似度公式，计算所有项目之间的相似度，得到n×n基于评分的相似矩阵P₂。

步骤三：计算项目之间资源分配矩阵W，通过如下公式计算：

其中，k(y_l)表示用户y_l的度，即与用户y_l连接的项目个数；k(x_j)表示项目x_j的度，即与项目x_j连接的用户个数。a_il为临近矩阵A中第i行，第l列值，a_jl为临近矩阵A中第j行，第l列值。

步骤四：根据资源分配矩阵W与项目相似矩阵P₂，计算综合的n×n项目资源分配矩阵W″：

w″_ij＝P_2ij×w_ij，其中，P_2ij为项目相似矩阵P₂中第i行、第j列的值。

步骤五：根据得到的综合资源分配矩阵W″，计算最终的项目资源分配结果f_l″：f_l″＝W″×f_l，其中f_l＝(a_l1,a_l2,…,a_ln)^T为邻近矩阵A的第l列，表示第l个用户的初始资源分配，T表示矩阵的转置；

步骤六：根据第l个用户最终的项目资源分配结果f_l″，对项目进行降序排列，将排列靠前的S个该用户未浏览/购买的项目，推荐给，S为大于等于1的整数。

本发明的效果可以通过以下仿真结果进一步说明：

1.实验条件

实验环境为：windows XP，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为VS2010。

采用标准数据集MovieLens检测本发明方法的有效性，该数据集来源于网站http://www.grouplens.org。MovieLens数据集包含1682部电影，943个用户，共有100000条用户对电影的评分，评分为1至5的整数，根据电影内容，电影划分为爱情类，奇幻类，动作类，战争类等，共19类。

2.评价指标：

采用一种依赖推荐长度的精确度测量方法，给定了推荐列表的长度S，考察给用户y_l所推荐的S个项目，如果测试集中该用户的项目x_j为所推荐的S个项目之一，则称该项目被命中。所有命中的项目个数为命中数，显然命中数越大，该推荐方法越好，因此这种测试方法更具实际意义。

3.实验内容

在MovieLens数据集中随机选取其中80％作为训练集，剩余20％作为测试集。采用交叉验证法，进行5次数据划分选取；每次随机划分数据集后，对训练集数据分别按现有的基于网络结构推荐方法NBI方法与本发明的两种技术方案进行实验，得到依据这两种方法对用户进行推荐的推荐结果，然后将这两种方法的推荐结果分别与测试集数据比较，依据评价指标，获得两种方法各自推荐结果的评价结果；再将5次的评价结果取平均作为最后的实验结果，如表1所示。

表1:不同推荐长度下命中项目数量

推荐长度	NBI	本发明技术方案一	本发明技术方案二
				5	1337.0	1386.2	1452.2
10	2300.2	2377.6	2505.8
				15	3102.6	3208.4	3347.4
20	3819.8	3923.4	4081.0
				25	4449.6	4549.4	4706.0
30	5002.8	5114.2	5264.6
				35	5522.6	5627.6	5770.0
40	5985.4	6105.6	6214.0
				45	6417.4	6540.4	6617.2
50	6840.6	6957.8	7005.0

由表1可知，本发明方法在不同推荐长度时，推荐结果的准确性比原有方法均有所提高。

Claims (4)

1.一种基于物品相似度和网络结构的个性化物品推荐方法，包括如下步骤：

(1)定义推荐系统拥有n个项目，m个用户，根据用户对项目之间的购买或浏览历史，构建n×m的邻近矩阵A；

(2)计算项目之间的相似度，根据项目的类别信息构建n×n的项目相似矩阵P₁:

(2a)假设第e个项目x_e具有u个类别，第f个项目x_f具有v个类别，则定义基于类别的相似度为其中e、f均为1到n的整数，c为x_e,x_f的相同类别个数，β为0到1之间的可调参数，取值为0.75；

(2b)根据上述的相似度公式，计算所有项目之间的相似度，获得n×n基于类别的相似度矩阵P₁；

(3)根据项目在二部分网络上的资源分配过程，计算项目之间n×n的资源分配矩阵W；

(4)根据资源分配矩阵W，计算综合的n×n项目资源分配矩阵：W′＝P₁·W；

(5)根据步骤(4)得到的分配矩阵W'计算最终的项目资源分配结果：f_l′＝W′×f_l，其中f_l＝(a_l1,a_l2,…,a_ln)^T为邻近矩阵A的第l列，表示第l个用户的初始资源分配，T表示矩阵的转置；

(6)根据第l个用户最终的项目资源分配结果f_l′，对项目进行降序排列，将排列靠前的S个该用户未浏览/购买的项目，推荐给第l个用户，S为大于等于1的整数。

2.根据权利要求1所述的方法，其中步骤(1)所述的构建n×m的邻近矩阵A，按如下步骤进行：

(1a)定义二部分网络图结构表示为G(X,Y,E)，其中，项目节点X表示为x₁,x₂,…,x_j,…x_n，用户节点Y表示为y₁,y₂,…,y_l,…y_m，E表示二部分网络图结构的边，若用户y_l浏览或购买过物品项目x_j，则连接这两个节点，其中j为1到n的整数，l为1到n的整数；

(1b)根据上述二部分网络结构，得出n×m的邻近矩阵

其中第j行、第l列的值为：其中，x_jy_l表示连接节点y_l与x_j的边。

3.根据权利要求1所述的方法，其中步骤(3)所述的计算项目之间n×n的资源分配矩阵W，通过如下公式计算：

其中，k(y_l)表示用户y_l的度，即与用户y_l连接的项目个数；k(x_j)表示项目x_j的度，即与项目x_j连接的用户个数，a_il为临近矩阵A中第i行，第l列值，a_jl为临近矩阵A中第j行，第l列值。

4.一种基于物品相似度和网络结构的个性化物品推荐方法，包括如下步骤：

1)定义推荐系统拥有n个项目，m个用户，根据用户对项目之间的购买或浏览历史，构建n×m的邻近矩阵A；

2)计算项目之间的相似度，根据项目的评分信息构建n×n的项目相似矩阵P₂:

2a)根据用户对第j个项目x_j的评分信息，计算该项目x_j的评分信息熵：其中q_h＝k_h/m,k_h为该项目评分为h的个数，定义基于评分信息熵的项目x_e,x_f之间相似度为

2b)根据上述步骤2a)中得到的相似度公式，计算所有项目之间的相似度，得到n×n基于评分的相似矩阵P₂；

3)根据项目在二部分网络上的资源分配过程，计算项目之间n×n的资源分配矩阵W；

4)根据资源分配矩阵W，计算综合的n×n项目分配矩阵W″：W″＝P₂·W；

5)根据步骤4)得到的项目分配矩阵W″，计算第l个用户的最终资源分配结果：f_l″＝W″×f_l；

其中f_l＝(a_l1,a_l2,…,a_ln)^T为邻近矩阵A的第l列，它表示第l个用户的初始资源分配，T表示矩阵的转置；

6)根据第l个用户最终的项目资源分配结果，对项目进行降序排列，将排列靠前的S个该用户未浏览/购买的项目，推荐给第l个用户，S为大于等于1的整数。