CN105824897A - 基于卡尔曼滤波的混合推荐系统及方法 - Google Patents
基于卡尔曼滤波的混合推荐系统及方法 Download PDFInfo
- Publication number
- CN105824897A CN105824897A CN201610143149.4A CN201610143149A CN105824897A CN 105824897 A CN105824897 A CN 105824897A CN 201610143149 A CN201610143149 A CN 201610143149A CN 105824897 A CN105824897 A CN 105824897A
- Authority
- CN
- China
- Prior art keywords
- kalman filtering
- module
- recommendation
- recommendation results
- filtering
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波的混合推荐系统及方法,本发明采用选择性加权的混合推荐方式,首先得到内容过滤和基于物品的协同过滤推荐得到的候选结果,并利用卡尔曼滤波算法对权重进行最优估计,再将初步的推荐结果进行加权混合来产生新的推荐结果。与现有技术相比,本发明能够实时动态更新各推荐组件的权重,并对其进行最优无偏估计;根据系统的反馈优化,持续调整系统状态;显著提高推荐系统的准确率、召回率和覆盖率,有效提高推荐质量,具有推广使用的价值。
Description
技术领域
本发明涉及一种新的加权混合推荐方法,尤其涉及一种基于卡尔曼滤波的混合推荐系统及方法。
背景技术
随着当代网络技术和互联网应用的飞速发展,信息过载已经成为无法避免的问题,如何帮助用户过滤无用信息,发现有价值的信息越来越受到技术人员的关注。无疑个性化推荐技术已经成为目前解决信息过载问题的有效技术。主要的推荐算法包括:协同过滤算法、基于内容过滤算法、基于标签的推荐算法、基于隐语义模型的推荐算法等等。但每个算法都有其长处和短处,单一算法难以适应众多用户的个性化需求。比如基于物品的协同过滤推荐算法是通过用户的历史偏好数据计算物品之间的相似性,然后将与用户历史兴趣近似的物品推荐给该用户。其具有冷启动、物品稀疏性等问题。基于内容的推荐算法是给用户推荐他之前喜欢的物品相类似的其他物品。基于内容的推荐算法难以发现用户的潜在兴趣,推荐的物品缺乏新颖性。
有些系统采用加权方式的混合推荐技术,将协同过滤和基于内容的推荐算法结合使用来提升推荐结果的质量。在动态权重研究方面,考虑到状态存储等方面的原因,目前的加权混合算法一般仅根据上一次的推荐结果的反馈来优化权重,并没有考虑结果反馈的持续影响。这会导致权重状态波动幅度大,系统不稳定,不能很好地解决反应推荐策略的分配问题。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于卡尔曼滤波的混合推荐系统及方法。
本发明通过以下技术方案来实现上述目的:
本发明一种基于卡尔曼滤波的混合推荐系统,包括数据预处理模块、协同过滤推荐模块、内容推荐模块、卡尔曼滤波模块、推荐结果整合模块和反馈优化模块,所述数据预处理模块的两个数据输出端分别通过所述协同过滤推荐模块和内容推荐模块与所述推荐结果整合模块的输入端连接,所述推荐结果整合模块的数据输出端与所述反馈优化模块的数据输入端连接,所述反馈优化模块的数据输出端通过所述卡尔曼滤波模块与所述推荐结果整合模块连接。
本发明一种基于卡尔曼滤波的混合推荐方法,包括以下步骤:
1)卡尔曼滤波
卡尔曼滤波主要用于估测离散控制系统的状态,这个系统过程可以用随机差分方程表示:
xk=Axk-1+Buk+wk-1
观测方程为:
zk=Hxk+vk
上面两式中,xk表示k时刻的系统状态,uk是系统k时刻的控制量,A和B是系统参数,zk表示k时刻系统的测量值,H为测量系统的参数,wk/vk是过程/测量的噪声,p(v)~N(0,R),p(w)~N(0,Q),
2)建立混合推荐模型
对于用户u,在第i次推荐中,设ItemCF和CB的权重分别cItem(i,u)和cCB(i,u),其比值为方便,接下来的阐述中,本文将省去u,
假定x(i)与x(i-1)之间存在线性关系f:
x(i)=x(i-1)+αv(i-1)
v(i)=x(i-1)-x(i-2)
其中α为系统参数,由实验得到,为了增强或减缓比值x的变化;
卡尔曼滤波中的系统状态变量可表示为:
xk=[x(k),v(k)]T
将上一次的后验状态值作为第K次的观测量zk:
模型参数A、H可由线性关系f推出:
因为系统和测量噪声的初始值对卡尔曼滤波算法的最终结果影响很小,只会影响算法结果收敛的速度,本文将系统和测量噪声的协方差矩阵根据粗略实验分别设为:
3)算法过程:
(1)数据预处理,得到结构化数据;
(2)进行基于物品的协同过滤推荐(ItemCF)和基于内容的推荐(CB)过程,得到各个模块的初步推荐结果PItrmCF和PCB;
(3)进行卡尔曼滤波过程,预测权重比值xi;
卡尔曼滤波包括预测和更新两个过程:
a预测:
初步权值预测:
先验误差协方差预测:
b更新修正:
卡尔曼滤波增益Kk修正:
更新权值预测:
后验误差协方差矩阵更新:
(4)根据修正后的估测比值,计算得到ItemCF和CB算法的权重,并计算最终的推荐结果;
(5)验证推荐结果:根据反馈计算ItemCF和CB推荐的商品在用户真正购买的物品中所占的比重,将其比值作为下一次的观测变量zk+1。
本发明利用基于内容推荐和基于物品的协同过滤推荐产生初步的推荐列表,利用卡尔曼模型的回归优化特性,计算出两个推荐算法的权重比值,再进一步计算它们各自的权重,通过加权混合的方式,合成最终的推荐结果,通过用户的反馈和优化,对系统状态进行更新,修正权重值。
本发明的有益效果在于:
本发明是一种基于卡尔曼滤波的混合推荐系统及方法,与现有技术相比,本发明能够实时动态更新各推荐组件的权重,并对其进行最优无偏估计;根据系统的反馈优化,持续调整系统状态;显著提高推荐系统的准确率、召回率和覆盖率,有效提高推荐质量,具有推广使用的价值。
附图说明
图1本发明的系统模块图;
图2本发明所使用的算法流程图;
图3本发明混合推荐中的权重更新过程图。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示:本发明一种基于卡尔曼滤波的混合推荐系统,包括数据预处理模块、协同过滤推荐模块、内容推荐模块、卡尔曼滤波模块、推荐结果整合模块和反馈优化模块,所述数据预处理模块的两个数据输出端分别通过所述协同过滤推荐模块和内容推荐模块与所述推荐结果整合模块的输入端连接,所述推荐结果整合模块的数据输出端与所述反馈优化模块的数据输入端连接,所述反馈优化模块的数据输出端通过所述卡尔曼滤波模块与所述推荐结果整合模块连接。本发明采用选择性加权的混合推荐方式,将基于内容过滤和基于物品的协同过滤推荐得到的候选结果进行加权混合,来产生新的推荐结果。加权混合推荐方式的关键就是准确预测各推荐算法的权重。卡尔曼滤波算法的核心正是根据观测的数据,对系统状态进行无偏估计。本算法使用卡尔曼滤波来预测并修正各个推荐算法的权重。
本发明提出一种基于卡尔曼滤波的混合推荐方法,包括以下步骤:
1卡尔曼滤波
卡尔曼滤波主要用于估测离散控制系统的状态,这个系统过程可以用随机差分方程表示:
xk=Axk-1+Buk+wk-1
观测方程为:
zk=Hxk+vk
上面两式中,xk表示k时刻的系统状态,uk是系统k时刻的控制量,A和B是系统参数,zk表示k时刻系统的测量值,H为测量系统的参数,wk/vk是过程/测量的噪声,p(v)~N(0,R),p(w)~N(0,Q),
2建立混合推荐模型
对于用户u,在第i次推荐中,设ItemCF和CB的权重分别cItem(i,u)和cCB(i,u),其比值为方便,接下来的阐述中,本文将省去u,
假定x(i)与x(i-1)之间存在线性关系f:
x(i)=x(i-1)+αv(i-1)
v(i)=x(i-1)-x(i-2)
其中α为系统参数,由实验得到,为了增强或减缓比值x的变化;
卡尔曼滤波中的系统状态变量可表示为:
xk=[x(k),v(k)]T
将上一次的后验状态值作为第K次的观测量zk:
模型参数A、H可由线性关系f推出:
因为系统和测量噪声的初始值对卡尔曼滤波算法的最终结果影响很小,只会影响算法结果收敛的速度,本文将系统和测量噪声的协方差矩阵根据粗略实验分别设为:
3算法过程(如图2所示):
(1)数据预处理,得到结构化数据;
(2)进行基于物品的协同过滤推荐(ItemCF)和基于内容的推荐(CB)过程,得到各个模块的初步推荐结果PItemCF和PCB;
(3)进行卡尔曼滤波过程,预测权重比值xi;
卡尔曼滤波包括预测和更新两个过程:
a预测:
初步权值预测:
先验误差协方差预测:
b更新修正:
卡尔曼滤波增益Kk修正:
更新权值预测:
后验误差协方差矩阵更新:
(4)根据修正后的估测比值,计算得到ItemCF和CB算法的权重,并计算最终的推荐结果;
(5)验证推荐结果:根据反馈计算ItemCF和CB推荐的商品在用户真正购买的物品中所占的比重,将其比值作为下一次的观测变量zk+1。
通过上述步骤,随着推荐次数的增多,根据卡尔曼滤波算法收敛和自回归优化的特性,系统模型会不断迭代循环优化(如图3所示),就能有效地对两种推荐算法的结果进行选择性加权,对模块的权重进行无偏估计。因此,可以有效提高推荐系统的准确率和召回率,显著提高推荐质量。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种基于卡尔曼滤波的混合推荐系统,其特征在于:包括数据预处理模块、协同过滤推荐模块、内容推荐模块、卡尔曼滤波模块、推荐结果整合模块和反馈优化模块,所述数据预处理模块的两个数据输出端分别通过所述协同过滤推荐模块和内容推荐模块与所述推荐结果整合模块的输入端连接,所述推荐结果整合模块的数据输出端与所述反馈优化模块的数据输入端连接,所述反馈优化模块的数据输出端通过所述卡尔曼滤波模块与所述推荐结果整合模块连接。
2.一种基于卡尔曼滤波的混合推荐方法,其特征在于,包括以下步骤:
1)卡尔曼滤波
卡尔曼滤波主要用于估测离散控制系统的状态,这个系统过程可以用随机差分方程表示:
xk=Axk-1+Buk+wk-1
观测方程为:
zk=Hxk+vk
上面两式中,xk表示k时刻的系统状态,uk是系统k时刻的控制量,A和B是系统参数,zk表示k时刻系统的测量值,H为测量系统的参数,wk/vk是过程/测量的噪声,p(v)~N(0,R),p(w)~N(0,Q),
2)建立混合推荐模型
对于用户u,在第i次推荐中,设ItemCF和CB的权重分别cItem(i,u)和cCB(i,u),其比值为方便,接下来的阐述中,本文将省去u,
假定x(i)与x(i-1)之间存在线性关系f:
x(i)=x(i-1)+αv(i-1)
v(i)=x(i-1)-x(i-2)
其中α为系统参数,由实验得到,为了增强或减缓比值x的变化;
卡尔曼滤波中的系统状态变量可表示为:
xk=[x(k),v(k)]T
将上一次的后验状态值作为第K次的观测量zk:
模型参数A、H可由线性关系f推出:
因为系统和测量噪声的初始值对卡尔曼滤波算法的最终结果影响很小,只会影响算法结果收敛的速度,本文将系统和测量噪声的协方差矩阵根据粗略实验分别设为:
3)算法过程:
(1)数据预处理,得到结构化数据;
(2)进行基于物品的协同过滤推荐(ItemCF)和基于内容的推荐(CB)过程,得到各个模块的初步推荐结果PItemCF和PCB;
(3)进行卡尔曼滤波过程,预测权重比值xi;
卡尔曼滤波包括预测和更新两个过程:
a预测:
初步权值预测:
先验误差协方差预测:
b更新修正:
卡尔曼滤波增益Kk修正:
更新权值预测:
后验误差协方差矩阵更新:
(4)根据修正后的估测比值,计算得到ItemCF和CB算法的权重,并计算最终的推荐结果;
(5)验证推荐结果:根据反馈计算ItemCF和CB推荐的商品在用户真正购买的物品中所占的比重,将其比值作为下一次的观测变量zk+1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610143149.4A CN105824897A (zh) | 2016-03-14 | 2016-03-14 | 基于卡尔曼滤波的混合推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610143149.4A CN105824897A (zh) | 2016-03-14 | 2016-03-14 | 基于卡尔曼滤波的混合推荐系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105824897A true CN105824897A (zh) | 2016-08-03 |
Family
ID=56987729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610143149.4A Pending CN105824897A (zh) | 2016-03-14 | 2016-03-14 | 基于卡尔曼滤波的混合推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105824897A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106545428A (zh) * | 2016-12-08 | 2017-03-29 | 中国北方发动机研究所(天津) | 一种军用柴油机工况预估的控制算法参数优化方法 |
CN107748562A (zh) * | 2017-09-30 | 2018-03-02 | 湖南应用技术学院 | 一种综合性服务机器人 |
CN108304556A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 基于内容与协同过滤相结合的个性化推荐方法 |
CN108766585A (zh) * | 2018-05-31 | 2018-11-06 | 平安科技(深圳)有限公司 | 流感预测模型的生成方法、装置及计算机可读存储介质 |
CN108932643A (zh) * | 2017-05-25 | 2018-12-04 | 苏宁云商集团股份有限公司 | 一种个性化推荐方法及装置 |
CN109582864A (zh) * | 2018-11-19 | 2019-04-05 | 华南师范大学 | 基于大数据科学和动态权重调整的课程推荐方法及系统 |
CN113932815A (zh) * | 2021-10-19 | 2022-01-14 | 北京京航计算通讯研究所 | 稳健性优化的Kalman滤波方法、装置、电子设备和存储介质 |
CN114003826A (zh) * | 2021-12-31 | 2022-02-01 | 思创数码科技股份有限公司 | 资源目录推荐方法、装置、可读存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101206752A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 电子商务网站相关商品推荐系统及其方法 |
CN101311928A (zh) * | 2007-05-23 | 2008-11-26 | 株式会社日立制作所 | 项目推荐系统 |
CN103377296A (zh) * | 2012-04-19 | 2013-10-30 | 中国科学院声学研究所 | 一种多指标评价信息的数据挖掘方法 |
CN105205130A (zh) * | 2015-09-15 | 2015-12-30 | 广东工业大学 | 一种提升推荐系统准确性的方法 |
CN105302873A (zh) * | 2015-10-08 | 2016-02-03 | 北京航空航天大学 | 一种基于条件受限波尔兹曼机的协同过滤优化方法 |
-
2016
- 2016-03-14 CN CN201610143149.4A patent/CN105824897A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101311928A (zh) * | 2007-05-23 | 2008-11-26 | 株式会社日立制作所 | 项目推荐系统 |
CN101206752A (zh) * | 2007-12-25 | 2008-06-25 | 北京科文书业信息技术有限公司 | 电子商务网站相关商品推荐系统及其方法 |
CN103377296A (zh) * | 2012-04-19 | 2013-10-30 | 中国科学院声学研究所 | 一种多指标评价信息的数据挖掘方法 |
CN105205130A (zh) * | 2015-09-15 | 2015-12-30 | 广东工业大学 | 一种提升推荐系统准确性的方法 |
CN105302873A (zh) * | 2015-10-08 | 2016-02-03 | 北京航空航天大学 | 一种基于条件受限波尔兹曼机的协同过滤优化方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106545428A (zh) * | 2016-12-08 | 2017-03-29 | 中国北方发动机研究所(天津) | 一种军用柴油机工况预估的控制算法参数优化方法 |
CN108932643A (zh) * | 2017-05-25 | 2018-12-04 | 苏宁云商集团股份有限公司 | 一种个性化推荐方法及装置 |
CN107748562A (zh) * | 2017-09-30 | 2018-03-02 | 湖南应用技术学院 | 一种综合性服务机器人 |
CN108304556A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 基于内容与协同过滤相结合的个性化推荐方法 |
CN108304556B (zh) * | 2018-02-06 | 2019-06-07 | 中国传媒大学 | 基于内容与协同过滤相结合的个性化推荐方法 |
CN108766585A (zh) * | 2018-05-31 | 2018-11-06 | 平安科技(深圳)有限公司 | 流感预测模型的生成方法、装置及计算机可读存储介质 |
CN109582864A (zh) * | 2018-11-19 | 2019-04-05 | 华南师范大学 | 基于大数据科学和动态权重调整的课程推荐方法及系统 |
CN109582864B (zh) * | 2018-11-19 | 2020-11-10 | 华南师范大学 | 基于大数据科学和动态权重调整的课程推荐方法及系统 |
CN113932815A (zh) * | 2021-10-19 | 2022-01-14 | 北京京航计算通讯研究所 | 稳健性优化的Kalman滤波方法、装置、电子设备和存储介质 |
CN113932815B (zh) * | 2021-10-19 | 2023-07-18 | 北京京航计算通讯研究所 | 稳健性优化Kalman滤波相对导航方法、装置、设备和存储介质 |
CN114003826A (zh) * | 2021-12-31 | 2022-02-01 | 思创数码科技股份有限公司 | 资源目录推荐方法、装置、可读存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105824897A (zh) | 基于卡尔曼滤波的混合推荐系统及方法 | |
CN110490717B (zh) | 基于用户会话及图卷积神经网络的商品推荐方法及系统 | |
CN109767301B (zh) | 推荐方法及系统、计算机装置、计算机可读存储介质 | |
Lee et al. | Sparse markov decision processes with causal sparse tsallis entropy regularization for reinforcement learning | |
Azar et al. | Dynamic policy programming | |
CN106980648B (zh) | 一种基于概率矩阵分解结合相似度的个性化推荐方法 | |
CN104935963A (zh) | 一种基于时序数据挖掘的视频推荐方法 | |
JPH1074188A (ja) | データ学習装置およびプラント制御装置 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
Warburton et al. | Order and inventory variance amplification: The equivalence of discrete and continuous time analyses | |
CN103744917A (zh) | 混合推荐方法及系统 | |
CN109783727A (zh) | 检索推荐方法、装置、计算机可读存储介质及电子设备 | |
CN110209946A (zh) | 基于社交和社群的产品推荐方法、系统和存储介质 | |
CN111753215B (zh) | 一种多目标推荐优化方法及可读介质 | |
CN106202515A (zh) | 一种基于排序学习的移动应用推荐方法及其推荐系统 | |
CN105676645A (zh) | 一种基于函数型权rbf-arx模型的双回路水箱液位预测控制方法 | |
Fu et al. | Soft sensor modelling by time difference, recursive partial least squares and adaptive model updating | |
Xu et al. | Auto-tuning of PID controller parameters with supervised receding horizon optimization | |
CN103605493B (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
CN106971053A (zh) | 一种基于混合协同过滤的推荐方法 | |
Yu | Fuzzy modelling via on-line support vector machines | |
Liang et al. | A distribution-free multivariate CUSUM control chart using dynamic control limits | |
CN103365206B (zh) | 一种工业过程的控制方法和设备 | |
CN105677936A (zh) | 机电复合传动系统需求转矩的自适应递归多步预测方法 | |
CN114819398A (zh) | 基于灰色马尔可夫链的北斗卫星钟差序列组合预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |
|
RJ01 | Rejection of invention patent application after publication |