CN105160539A - 一种概率矩阵分解推荐方法 - Google Patents
一种概率矩阵分解推荐方法 Download PDFInfo
- Publication number
- CN105160539A CN105160539A CN201510339198.0A CN201510339198A CN105160539A CN 105160539 A CN105160539 A CN 105160539A CN 201510339198 A CN201510339198 A CN 201510339198A CN 105160539 A CN105160539 A CN 105160539A
- Authority
- CN
- China
- Prior art keywords
- sigma
- user
- commodity
- represent
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明给出一种概率矩阵分解推荐方法,该方法基于显性与隐性反馈信息同时结合概率矩阵分解技术帮助用户给商品评分,首先对用户信任关系矩阵进行概率矩阵分解,然后对用户的商品评分矩阵和隐性反馈信息进行概率矩阵分解,综合两次分解的结果,求出隐含用户特征矩阵、隐含商品特征矩阵以及隐性反馈信息特征向量,最后计算出给用户推荐的评分。本发明能够很好地利用在线社交网络帮助用户推荐商品的评分,缓解社交网络中数据稀疏问题和冷启动问题,有着很好的推荐效果,同时能运用于有大规模数据集的推荐系统。
Description
技术领域
本发明涉及在线社交网络的交互方法,建立一种新型推荐方法,结合显性与隐性反馈信息,利用概率矩阵分解原理进行准确的评分预测,属于软件工程、人机交互、互联网交叉技术应用领域。
背景技术
近年来,在线社交网络逐渐流行,吸引了成千上万的用户,已经成为当今信息的传播与分享的主要平台之一。由于商品规模越来越庞大,用户很难快速准确地找到自己感兴趣的商品,推荐系统的任务就是帮助用户快速准确地找到喜欢的商品。在线社交网络中,朋友的推荐很重要,它可以给用户提供准确的建议,使用户能够快速地找到理想中的商品。供应商们也很愿意利用推荐系统给他们潜在的客户推荐需要的商品,并且希望把客户变成真正的买家。
为了获得更准确的推荐,需要对未知的商品进行评分的预测,除了朋友的推荐之外,其它的信息也很重要,如显性反馈和隐性反馈信息。显性反馈信息是指用户给出的显性倾向,如评分信息、用户与用户之间的信任关系等。隐性反馈信息是指用户不直接表现出的隐性倾向,如购买了哪些商品、给哪些电影评分了等。近年来,基于协同过滤的显性反馈的推荐系统普遍增多,很多推荐系统都是结合用户的评分和信任信息来提高推荐的准确度,但这却浪费了大量的宝贵的隐性反馈信息。由于推荐系统可以很容易地获取隐性反馈信息,而且用户不会很反感,同时隐性反馈信息还具有收集成本低、应用场景广、数据规模大等特点。因此,在推荐系统中需要将隐性反馈信息和显性反馈信息相结合。
矩阵分解技术已逐步应用于推荐系统,其中就包括概率矩阵分解技术。概率矩阵分解技术是根据用户和商品的特征向量以及观察到的评分服从的高斯先验分布,利用贝叶斯推导,得到用户和商品的特征矩阵,最后根据特征矩阵计算出预测的评分。该方法可以有效地利用多方面信息,在推荐时有着更好的准确率,而且复杂度不高,适合处理大规模数据。
发明内容
技术问题:本发明的目的是提供一种概率矩阵分解推荐方法,该方法是一种基于显性与隐性反馈信息同时结合概率矩阵分解技术帮助用户给商品评分的方法,该方法以在线社交网络为平台,对显性与隐性反馈信息进行概率矩阵分解,并根据贝叶斯推理来预测出用户对商品的评分,解决了预测精度不高以及评分稀疏与冷启动的问题。
技术方案:本发明所述概率矩阵分解推荐方法,首先对用户信任关系矩阵进行概率矩阵分解,然后对用户的商品评分矩阵和隐性反馈信息进行概率矩阵分解,综合两次分解的结果,求出隐含用户特征矩阵、隐含商品特征矩阵以及隐性反馈信息特征向量,最后计算出给用户推荐的评分。
本发明所述概率矩阵分解推荐方法包括以下步骤:
步骤1)获得用户在线社交网络中的信任关系矩阵与用户商品评分矩阵;所述在线社交网络是在互联网上与其他人相联系的一个平台,用户对产品进行评分,同时分享给该用户的朋友,查询该用户的朋友的评分;
步骤2)随机生成U和Z,所述U∈Rd×m表示隐含用户特征矩阵,Z∈Rd×m表示隐含信任关系特征矩阵,Z∈Rd×m表示d行m列的矩阵,d是用户根据经验指定的隐含特征数,m是用户的个数,将隐含用户特征矩阵和隐含信任关系特征矩阵的先验分布表示为:
所述i表示用户个数的变量,k表示用户个数的变量,Ui表示用户ui的特征列向量,Zk表示第k个信任关系特征向量,表示是均值为0,方差为的高斯分布的概率密度函数,表示是均值为0,方差为的高斯分布的概率密度函数;
步骤3)对用户信任关系矩阵进行概率矩阵分解,用户信任关系矩阵的条件概率分布表示为:
所述T表示m×m维的用户信任关系矩阵,表示Ui的转置,表示均值为方差为的高斯分布的概率密度函数,Ii_k_T是一个变量,表示用户ui与用户uk之间信任关系,当用户ui信任用户uk时,Ii_k_T=1,否则Ii_k_T=0;所述是将的值映射在[0,1]之间, 是一个变量, ti_k表示用户ui与用户uk之间的信任权值,d+(ui)表示用户ui信任的用户数量,d-(uk)表示用户uk被信任的用户数量;
步骤4)随机生成V,所述V∈Rd×n表示隐含商品特征矩阵,Rd×n表示d行n列的矩阵,n表示商品的个数,将隐含商品特征矩阵的先验分布表示为:
所述j表示商品个数的变量,Vj表示商品ij的特征向量,表示是均值为0,方差为的高斯分布的概率密度函数;
步骤5)对用户的商品评分矩阵进行概率矩阵分解,用户的商品评分矩阵的条件概率分布表示为:
步骤6)分别计算Ui、Vj、Zk及yj的更新值Ui′、Vj′、Zk′与yj′, 所述γ为预先定义的步长,γ足够小且γ>0,γ的具体值根据经验确定,其中
所述 λ为预先定义的规则化参数,λ足够小且λ>0,λ的具体值根据经验确定;
步骤7)根据公式
计算目标函数L的值,当目标函数L的值变化小于某个预先定义的很小的常数或在经过设定的迭代次数后终止迭代过程,否则令Ui=Ui′,Vj=Vj′,Zk=Zk′,yj=yj′,返回步骤6),所述是欧几里得向量范数;
步骤8)当迭代运算终止后,得到Ui′、Vj′以及yj′,使用 计算用户ui对商品ij的未知评分
有益效果:
1)本发明提供一种基于在线社交网络的一种基于显性与隐性反馈信息同时结合概率矩阵分解技术帮助用户给商品评分的方法,整个过程思路清晰完整,可读性强,尽量将晦涩难懂的相关技术概念、相关算法表述清晰,易于理解。
2)本发明中所述的评分预测过程,提供了一套计算公式,能够将实际社交网络中相关的数据转化为数学化的模型形式,从而得到最终的结果。
3)本发明中所述的推荐方法能够缓解社交网络中数据稀疏问题和冷启动问题,有着更好的推荐效果,并且该推荐方法能运用于有大规模数据集的推荐系统。
附图说明
图1是基于显性与隐性反馈信息同时结合概率矩阵分解技术帮助用户给商品评分的方法流程图;
图2是基于显性与隐性反馈信息同时结合概率矩阵分解技术帮助用户给商品评分的方法的图形模型。
具体实施方式
本发明在在线社交网络中,结合用户对商品的评分以及用户之间的关系等相关数据,给用户提供了准确地推荐评分。下面根据图1和实施例对本发明作更详细的描述,该方法的图形模型如图2所示。
1、获取用户在在线社交网络中的用户信任关系矩阵T和用户商品评分矩阵R;用户信任关系矩阵T表示的是用户与用户之间的信任关系,用户商品评分矩阵R表示的是所有用户对商品的评分;
2、用户根据经验指定隐含特征数d,再根据获取到的用户个数m,随机生成d行m列的隐含用户特征矩阵U和d行m列隐含信任关系特征矩阵Z,但要保证隐含用户特征矩阵和隐含信任关系特征矩阵进行先验分布表示时的均值为0,同时求出各自的方差和则隐含用户特征矩阵和隐含信任关系特征矩阵的先验分布可表示为:
在具体实施中,Ui表示用户ui的特征列向量,Zk表示第k个信任关系特征向量,表示是均值为0,方差为的高斯分布的概率密度函数,表示是均值为0,方差为的高斯分布的概率密度函数;
3、根据用户信任关系矩阵T,确定用户与用户之间的信任关系,并用变量Ii_k_T表示,当用户ui信任用户uk时,Ii_k_T=1,否则Ii_k_T=0;根据的值,计算的值, 目的是将的值映射在[0,1]之间;计算用户与用户之间的信任值 ti_k表示用户ui与用户uk之间的信任权值,d+(ui)表示用户ui信任的用户数量,d-(uk)表示用户uk被信任的用户数量;对用户信任关系矩阵进行概率矩阵分解,用户信任关系矩阵的条件概率分布表示为:
在具体实施中,表示Ui的转置,表示均值为方差为的高斯分布的概率密度函数;
4、随机生成d行n列的隐含商品特征矩阵V,但要保证隐含商品特征矩阵进行先验分布表示时的均值为0,将隐含商品特征矩阵的先验分布表示为:
在具体实施中,Vj表示商品ij的特征向量,表示是均值为0,方差为的高斯分布的概率密度函数;
5、根据被用户评过分的商品集合Iu,计算被用户评过分的商品的数量|Iu|,根据用户商品评分矩阵R,计算出Ii_j_R的值,Ii_j_R用来表示用户ui是否给商品ij评过分,若评过分,则Ii_j_R=1,否则Ii_j_R=0;初始化yj的值为1.0,yj表示已被用户评过分的商品对即将要评分商品ij的隐性影响的权重值;对用户的商品评分矩阵进行概率矩阵分解,用户的商品评分矩阵的条件概率分布表示为:
6、分别设置预先定义的步长γ的值与预先定义的规则化参数λ的值,γ与λ的具体值根据经验确定;分别计算λC、λU、λV及λZ的值,其中 分别计算Ui、Vj、Zk及yj的更新值Ui′、Vj′、Zk′与yj′, 其中
7、根据公式
计算目标函数L的值,当目标函数L的值变化小于某个预先定义的很小的常数或在经过设定的迭代次数后终止迭代过程,否则令Ui=Ui′,Vj=Vj′,Zk=Zk′,yj=yj′,返回步骤6,所述是欧几里得向量范数;
8、当迭代运算终止后,得到Ui′、Vj′以及yj′,预测出用户ui对商品ij的未知评分计算采用以下公式:
Claims (1)
1.一种概率矩阵分解推荐方法,其特征在于该方法包括以下步骤:
步骤1)获得用户在线社交网络中的信任关系矩阵与用户商品评分矩阵;所述在线社交网络是在互联网上与其他人相联系的一个平台,用户对产品进行评分,同时分享给该用户的朋友,查询该用户的朋友的评分;
步骤2)随机生成U和Z,所述U∈Rd×m表示隐含用户特征矩阵,Z∈Rd×m表示隐含信任关系特征矩阵,表示d行m列的矩阵,d是用户根据经验指定的隐含特征数,m是用户的个数,将隐含用户特征矩阵和隐含信任关系特征矩阵的先验分布表示为:
所述i表示用户个数的变量,k表示用户个数的变量,Ui表示用户ui的特征列向量,Zk表示第k个信任关系特征向量,表示是均值为0,方差为的高斯分布的概率密度函数,表示是均值为0,方差为的高斯分布的概率密度函数;
步骤3)对用户信任关系矩阵进行概率矩阵分解,用户信任关系矩阵的条件概率分布表示为:
所述T表示m×m维的用户信任关系矩阵,表示Ui的转置,表示均值为方差为的高斯分布的概率密度函数,Ii_k_T是一个变量,表示用户ui与用户uk之间信任关系,当用户ui信任用户uk时,Ii_k_T=1,否则Ii_k_T=0;所述是将的值映射在[0,1]之间, 是一个变量, ti_k表示用户ui与用户uk之间的信任权值,d+(ui)表示用户ui信任的用户数量,d-(uk)表示用户uk被信任的用户数量;
步骤4)随机生成V,所述V∈Rd×n表示隐含商品特征矩阵,表示d行n列的矩阵,n表示商品的个数,将隐含商品特征矩阵的先验分布表示为:
所述j表示商品个数的变量,Vj表示商品ij的特征向量,表示是均值为0,方差为的高斯分布的概率密度函数;
步骤5)对用户的商品评分矩阵进行概率矩阵分解,用户的商品评分矩阵的条件概率分布表示为:
所述R表示m×n维的用户的商品评分矩阵,ri_j表示用户ui对商品ij的评分, 表示均值为 方差为的高斯分布的概率密度函数,Iu表示被用户评过分的商品集合,|Iu|表示被用户评过分的商品的数量,Ii_j_R表示用户ui是否给商品ij评过分,若评过分,则Ii_j_R=1,否则Ii_j_R=0,yj表示已被用户评过分的商品对即将要评分商品ij的隐性影响的权重值,初始值为1.0;
步骤6)分别计算Ui、Vj、Zk及yj的更新值Ui′、Vj′、Zk′与yj′, 所述γ为预先定义的步长,γ足够小且γ>0,γ的具体值根据经验确定,其中
所述 λ为预先定义的规则化参数,λ足够小且λ>0,λ的具体值根据经验确定;
步骤7)根据公式
计算目标函数L的值,当目标函数L的值变化小于某个预先定义的很小的常数或在经过设定的迭代次数后终止迭代过程,否则令Ui=Ui′,Vj=Vj′,Zk=Zk′,yj=yj′,返回步骤6),所述是欧几里得向量范数;
步骤8)当迭代运算终止后,得到Ui′、Vj′以及yj′,使用 计算用户ui对商品ij的未知评分
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510339198.0A CN105160539A (zh) | 2015-06-17 | 2015-06-17 | 一种概率矩阵分解推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510339198.0A CN105160539A (zh) | 2015-06-17 | 2015-06-17 | 一种概率矩阵分解推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105160539A true CN105160539A (zh) | 2015-12-16 |
Family
ID=54801388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510339198.0A Pending CN105160539A (zh) | 2015-06-17 | 2015-06-17 | 一种概率矩阵分解推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160539A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126549A (zh) * | 2016-06-16 | 2016-11-16 | 传化公路港物流有限公司 | 一种基于概率矩阵分解的社区信任推荐方法及其系统 |
CN106126591A (zh) * | 2016-06-16 | 2016-11-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 音乐数据推荐方法与系统 |
CN106557654A (zh) * | 2016-11-16 | 2017-04-05 | 中山大学 | 一种基于差分隐私技术的协同过滤算法 |
CN106874355A (zh) * | 2016-12-28 | 2017-06-20 | 浙江浙大网新集团有限公司 | 同时融入社交关系和用户相似度的协同过滤方法 |
CN107239993A (zh) * | 2017-05-24 | 2017-10-10 | 海南大学 | 一种基于拓展标签的矩阵分解推荐方法及系统 |
CN108320187A (zh) * | 2018-02-02 | 2018-07-24 | 合肥工业大学 | 一种基于深度社交关系的推荐方法 |
CN108694232A (zh) * | 2018-04-26 | 2018-10-23 | 武汉大学 | 一种基于信任关系特征学习的社会化推荐方法 |
CN111797319A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN112883289A (zh) * | 2021-04-16 | 2021-06-01 | 河北工程大学 | 一种基于社交信任和标签语义相似度的pmf推荐方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986298A (zh) * | 2010-10-28 | 2011-03-16 | 浙江大学 | 用于在线论坛的信息实时推荐方法 |
CN102129463A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种融合项目相关性的基于pmf的协同过滤推荐系统 |
CN102789499A (zh) * | 2012-07-16 | 2012-11-21 | 浙江大学 | 基于物品间情景化隐式关系的协同过滤方法 |
CN103617259A (zh) * | 2013-11-29 | 2014-03-05 | 华中科技大学 | 一种基于有社会关系和项目内容的贝叶斯概率矩阵分解推荐方法 |
-
2015
- 2015-06-17 CN CN201510339198.0A patent/CN105160539A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986298A (zh) * | 2010-10-28 | 2011-03-16 | 浙江大学 | 用于在线论坛的信息实时推荐方法 |
CN102129463A (zh) * | 2011-03-11 | 2011-07-20 | 北京航空航天大学 | 一种融合项目相关性的基于pmf的协同过滤推荐系统 |
CN102789499A (zh) * | 2012-07-16 | 2012-11-21 | 浙江大学 | 基于物品间情景化隐式关系的协同过滤方法 |
CN103617259A (zh) * | 2013-11-29 | 2014-03-05 | 华中科技大学 | 一种基于有社会关系和项目内容的贝叶斯概率矩阵分解推荐方法 |
Non-Patent Citations (2)
Title |
---|
HAO MA 等: "SoRec:Social Recommendation Using Probabilistic Matrix Factorization", 《PROCEEDINGS OF THE 17TH ACM CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT》 * |
丁雪涛: "基于协同关系主题回归模型的推荐算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126591A (zh) * | 2016-06-16 | 2016-11-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 音乐数据推荐方法与系统 |
CN106126549A (zh) * | 2016-06-16 | 2016-11-16 | 传化公路港物流有限公司 | 一种基于概率矩阵分解的社区信任推荐方法及其系统 |
CN106126591B (zh) * | 2016-06-16 | 2019-09-20 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 音乐数据推荐方法与系统 |
CN106557654A (zh) * | 2016-11-16 | 2017-04-05 | 中山大学 | 一种基于差分隐私技术的协同过滤算法 |
CN106557654B (zh) * | 2016-11-16 | 2020-03-17 | 中山大学 | 一种基于差分隐私技术的协同过滤方法 |
CN106874355A (zh) * | 2016-12-28 | 2017-06-20 | 浙江浙大网新集团有限公司 | 同时融入社交关系和用户相似度的协同过滤方法 |
CN107239993A (zh) * | 2017-05-24 | 2017-10-10 | 海南大学 | 一种基于拓展标签的矩阵分解推荐方法及系统 |
CN108320187B (zh) * | 2018-02-02 | 2021-04-06 | 合肥工业大学 | 一种基于深度社交关系的推荐方法 |
CN108320187A (zh) * | 2018-02-02 | 2018-07-24 | 合肥工业大学 | 一种基于深度社交关系的推荐方法 |
CN108694232A (zh) * | 2018-04-26 | 2018-10-23 | 武汉大学 | 一种基于信任关系特征学习的社会化推荐方法 |
CN108694232B (zh) * | 2018-04-26 | 2022-04-01 | 武汉大学 | 一种基于信任关系特征学习的社会化推荐方法 |
CN111797319A (zh) * | 2020-07-01 | 2020-10-20 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN111797319B (zh) * | 2020-07-01 | 2023-10-27 | 喜大(上海)网络科技有限公司 | 推荐方法、装置、设备及存储介质 |
CN112883289A (zh) * | 2021-04-16 | 2021-06-01 | 河北工程大学 | 一种基于社交信任和标签语义相似度的pmf推荐方法 |
CN112883289B (zh) * | 2021-04-16 | 2022-05-06 | 河北工程大学 | 一种基于社交信任和标签语义相似度的pmf推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160539A (zh) | 一种概率矩阵分解推荐方法 | |
Polson et al. | The bayesian bridge | |
Jung et al. | AK-fold averaging cross-validation procedure | |
Ayub et al. | A Jaccard base similarity measure to improve performance of CF based recommender systems | |
CN108920527A (zh) | 一种基于知识图谱的个性化推荐方法 | |
Wang et al. | Maximizing positive influence spread in online social networks via fluid dynamics | |
CN103514239B (zh) | 一种集成用户行为和物品内容的推荐方法及系统 | |
CN102591915B (zh) | 一种基于标签迁移学习的推荐方法 | |
Ghosh et al. | Robust estimation for non-homogeneous data and the selection of the optimal tuning parameter: the density power divergence approach | |
CN103955535A (zh) | 一种基于元路径的个性化推荐方法及系统 | |
CN103399858A (zh) | 基于信任的社会化协同过滤推荐方法 | |
CN104063481A (zh) | 一种基于用户实时兴趣向量的电影个性化推荐方法 | |
CN104199818B (zh) | 一种基于分类的社会化推荐方法 | |
CN102495864A (zh) | 基于评分的协同过滤推荐方法及系统 | |
CN101944218A (zh) | 社会网络下的基于图的个性化推荐方法及其系统 | |
CN102982107A (zh) | 一种融合用户、项目和上下文属性信息的推荐系统优化方法 | |
Suzuki et al. | Stacked denoising autoencoder-based deep collaborative filtering using the change of similarity | |
CN103617259A (zh) | 一种基于有社会关系和项目内容的贝叶斯概率矩阵分解推荐方法 | |
CN107133836A (zh) | 一种自适应权重组合推荐算法 | |
CN103942298A (zh) | 基于线性回归的推荐方法及系统 | |
CN111046280B (zh) | 一种应用fm的跨领域推荐方法 | |
Anupam et al. | Data driven modelling and simulation of wetland dynamics | |
Duncan et al. | Choice set robustness and internal consistency in correlation-based logit stochastic user equilibrium models | |
Zhang et al. | A factored similarity model with trust and social influence for top-n recommendation | |
Zhang et al. | Model-based smoothing with integrated wiener processes and overlapping splines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Dong Inventor after: Chen Zhi Inventor after: Mao Jiajun Inventor after: Yue Wenjing Inventor before: Wang Dong Inventor before: Chen Zhi Inventor before: Yue Wenjing |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151216 |