CN105095471A - 一种基于短记忆的上下文感知推荐方法 - Google Patents

Abstract

本发明公开了一种基于短记忆的上下文感知推荐方法，利用Web服务器中的日志，通过数据清理、用户识别、事务识别，建立用户事务矩阵、页面访问特征矩阵；计算出（1）中的每个用户对于不同类别的物品的偏好，采用短期web日志进行提取形成短记忆偏好和上下文特征；产生的短记忆偏好具有较高的权重，在满足相同上下文环境中，对长记忆的偏好推荐结果进行修正。本发明是基于短记忆的上下文感知推荐方法就是实时响应用户新的行为，让推荐系统列表不断变化，从而满足用户不断变化的兴趣。

Description

一种基于短记忆的上下文感知推荐方法

技术领域

本发明涉及推荐系统技术领域，尤其涉及一种基于短记忆的上下文感知推荐方法。

背景技术

常用的推荐方法有:基于内容的推荐、协同过滤推荐、基于知识推荐和混合推荐。首先从用户以往历史数据中提取用户对项目的偏好信息,根据具有相似项目偏好的用户之间喜欢的项目的差异,将相似用户喜欢的物品进行推荐。

上下文推荐系统的使用，有两方面意义，其中一方面符合上下文信息的现实意义；而另一方面要对推荐结果有实质性的帮助,提高推荐的准确率,或者满足用户特定需求体验等方面。实现推荐系统的实时性除了对用户行为的存取有实时性要求，还要求推荐算法本身具有实时性，其中推荐算法本身的实时性意味着：要求在每个用户访问推荐时，都根据用户这个时间点前的行为实施计算推荐列表；推荐算法需要平衡考虑用户的近期行为和长期行为，让推荐列表反映出用户近期行为所体现的兴趣变化，又不能让推荐列表完全受用户近期行为的影响，要保证推荐列表对用户兴趣预测的延续性。

推荐系统所推荐物品都是基于用户购买和浏览的历史记录进行其偏好的相似度计算后进行推荐，其中用户偏好的相似度计算主要使用一种余弦相似度的计算方法，定义如下：

$sim(x,y)=cos(x,y)=\{\frac{{\mathrm{\Σ}}_{s\∈S_{xy}}{r}_{x,s}\·r_{y,s}}{\sqrt{{\mathrm{\Σ}}_{s\∈S_{xy}}{r^2}_{x,s}\·{\mathrm{\Σ}}_{s\∈S_{xy}}{r^2}_{y,s}}},\left|S_{xy}\right|\≥2$

当|S_XY|<2时，sim(x,y)＝0.

其中,sim(x,y)表示用户x和用户y之间的相似度,rx,s表示用户x对项目s的评分,Sx,y表示用户x和用户y共同评分的项目集合。

发明内容

本发明目的就是为了弥补已有技术的缺陷，提供一种基于短记忆的上下文感知推荐方法。

本发明是通过以下技术方案实现的：

一种基于短记忆的上下文感知推荐方法，具体步骤如下：

(1)利用Web服务器中的日志，通过数据清理、用户识别、事务识别，建立用户事务矩阵、页面访问特征矩阵；

(2)采用机器学习的方法，提取对用户具有短记忆影响的上下文：计算出(1)中的每个用户对于不同类别的物品的偏好，采用短期web日志进行提取形成短记忆偏好和上下文特征；

(3)通过用户反馈信息修正用户偏好：(2)产生的短记忆偏好具有较高的权重，在满足相同上下文环境中，对长记忆的偏好推荐结果进行修正。

将短记忆的上下文信息与传统推荐算法进行融合生成一种新的推荐方法，短记忆通常是由于当时所处的某种环境下而产生的行为，在较短的时间内影响向用户进行的推荐。

利用Web服务器中的日志，可以挖掘用户的数据一般有用户IP地址、用户ID、请求的URL、访问日期和时间等，通过数据清理、用户识别、事务识别，建立用户事务矩阵、页面访问特征矩阵，首先进行数据清理，即删除与挖掘任务无关的数据，处理请求页面发生错误的记录等；用户识别即根据从日志中提取的IP地址和Cookie标识来分辨识别用户，事务是页面及其表示的集合，建立用户事务矩阵，即对用户历史上访问的页面链接等进行矩阵建模，然后进行物品相似度计算，进行排名；

通过用户反馈信息修正用户偏好，上述产生的短记忆偏好具有较高的权重，主要是近期的与往常不一样的用户行为，对此行为加一个权重，影响推荐系统中物品的排名，在满足相同上下文环境中，对长记忆的偏好推荐结果进行修正,实时响应用户新的行为，让推荐系统列表不断变化，从而满足用户不断变化的兴趣。

本发明的优点是：本发明是基于短记忆的上下文感知推荐方法就是实时响应用户新的行为，让推荐系统列表不断变化，从而满足用户不断变化的兴趣。

附图说明

图1为本发明的流程图。

具体实施方式

如图1所示，一种基于短记忆的上下文感知推荐方法，具体步骤如下：

(1)利用Web服务器中的日志，通过数据清理、用户识别、事务识别，建立用户事务矩阵、页面访问特征矩阵；

(2)采用机器学习的方法，提取对用户具有短记忆影响的上下文：计算出(1)中的每个用户对于不同类别的物品的偏好，采用短期web日志进行提取形成短记忆偏好和上下文特征；

(3)通过用户反馈信息修正用户偏好：(2)产生的短记忆偏好具有较高的权重，在满足相同上下文环境中，对长记忆的偏好推荐结果进行修正。

由于Web服务器的广泛使用，时间和位置等的上下文信息可以很容易从服务器日志中提取，所以从时间上可以提取对用户具有短记忆影响的上下文。

下面简单用图进行表示，主要为下面四个步骤：

(一)、web服务器中用户近期行为提取；

(二)、选取异于平常的用户行为，即用户近期的行为提取后，进行分析，着重从中选择出异于平常的行为，以物品推荐为例，比如在近期突然经常浏览购买的往常一般情况不同的物品等等；

(三)、对此近期内突然偏好的物品加权重，即对近期的这些比较偏好的物品加权重以增加其排名；

(四)、对推荐系统长记忆的偏好物品排名进行重排，即对长记忆的偏好推荐结果进行修正，以此来保证所推荐物品的实时性，准确性，提高用户使用体验。

Claims (1)

1.一种基于短记忆的上下文感知推荐方法，其特征在于：具体步骤如下：

（1）利用Web服务器中的日志，通过数据清理、用户识别、事务识别，建立用户事务矩阵、页面访问特征矩阵；

（2）采用机器学习的方法，提取对用户具有短记忆影响的上下文：计算出（1）中的每个用户对于不同类别的物品的偏好，采用短期web日志进行提取形成短记忆偏好和上下文特征；

（3）通过用户反馈信息修正用户偏好：（2）产生的短记忆偏好具有较高的权重，在满足相同上下文环境中，对长记忆的偏好推荐结果进行修正。