CN105956093B - 一种基于多视图锚点图哈希技术的个性化推荐方法 - Google Patents

Abstract

本发明公开了一种基于多视图锚点图哈希技术的个性化推荐方法，包括如下步骤：1)根据用户在不同视图下的行为数据构建用户数据的多视图锚点图表示；2)利用得到的多视图锚点图与用户的行为数据生成连续空间中的用户哈希编码；3)对连续空间中的哈希编码进行量化，得到用户对应的二进制哈希编码；4)利用得到的用户哈希编码为目标用户搜索相似用户；5)将相似用户对应的偏好物品集合作为推荐候选列表，计算目标用户对候选物品的偏好程度，返回偏好程度最大的若干个物品作为推荐结果。本发明将用户在不同视图下的数据进行了整合，提高了推荐结果的质量。同时利用相似度保留的哈希编码实现了相似用户的快速搜索，提高了推荐结果计算的效率。

Description

一种基于多视图锚点图哈希技术的个性化推荐方法

技术领域

本发明涉及个性化推荐技术，尤其涉及一种基于多视图锚点图哈希技术的个性化推荐方法。

背景技术

随着信息技术和网络技术的不断发展，互联网上的信息和资源出现了爆炸性的增长。然而，庞大的信息量以及其中所混杂的大量低质量、低价值信息的存在使得用户对信息的获取和利用效率不断下降。为了应对海量数据规模下的信息获取难题，个性化推荐系统是一种有效的解决方案。个性化推荐系统根据用户的个人资料、行为数据、社交关系等信息，通过不同方法对用户的偏好进行预测，从而将一些特定的物品或信息主动推送给目标用户，提高了用户信息获取的效率和质量。

在实际应用中，对用户偏好的预测通常采用协同过滤方法进行，主要利用其他用户的信息来预测目标用户对物品的评分。传统的协同过滤推荐方法大多将用户对物品的评分矩阵作为用户的表示，通过对评分矩阵进行处理，从而得到用户偏好的预测结果。但是这些方法仅仅利用了用户在单个视图下的数据，无法全面表示用户的特征，此外，传统方法通常直接利用用户行为数据计算用户之间的相似度，导致了大量的高维向量运算，严重影响了计算效率。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于多视图锚点图哈希技术的个性化推荐方法。

本发明的目的是通过以下技术方案来实现的:

一种基于多视图锚点图哈希技术的个性化推荐方法，包括以下步骤：

1)根据训练用户在不同视图下的行为数据，构建用户数据的多视图锚点图表示；

2)利用多视图锚点图与训练用户的行为数据生成连续空间中的用户哈希编码；

3)对连续空间中的哈希编码进行量化，得到训练用户对应的二进制哈希编码；

4)利用多视图锚点图、训练用户的二进制哈希编码及目标用户的行为数据生成目标用户对应的二进制哈希编码；

5)利用得到的目标用户和训练用户的哈希编码为目标用户搜索相似用户；

6)将相似用户对应的偏好物品集合作为推荐候选列表，计算目标用户对候选物品的偏好程度，返回偏好程度最大的K个物品作为推荐结果，K表示推荐结果的数量。

所述的步骤1)包括以下子步骤：

1.1)对于训练用户在第i个视图下的行为数据矩阵其中N表示训练用户的数量，d_i表示第i个视图下用户数据的维度，利用K-means聚类方法生成T_i个聚类中心，作为该视图下数据的锚点，T_i的取值与用户数量相关，大于设定的哈希编码的位数R；

1.2)将不同视图下的训练用户数据进行水平连接得到矩阵其中M表示视图的数量，d_total表示所有视图下用户数据的维度之和；

1.3)对于每个训练用户，搜索该用户在各视图下最近邻的2个锚点，组成集合利用不同视图下的最近邻锚点集合构建对角矩阵

1.4)对于每个训练用户，利用Nesterov梯度方法和投影梯度方法求解优化问题其中表示该用户到所有最近邻锚点的转移概率，初值均为x_i表示矩阵X的第i行；

1.5)将用户到非最近邻锚点的转移概率设定为0，根据得到的各用户到最近邻锚点的转移概率，得到所有用户到所有锚点的转移概率矩阵其中T_total表示所有视图下锚点数量的总和,这个转移概率矩阵就是所构建的用户数据的多视图锚点图表示。

所述的步骤2)包括以下子步骤：

2.1)计算得到转移概率矩阵P的列和向量

2.2)构造对角矩阵

2.3)计算矩阵

2.4)计算矩阵M的除1以外的最大R个特征值对应的特征向量

2.5)计算训练用户对应的连续空间中哈希编码矩阵

所述的步骤3)包括以下子步骤：

3.1)使用符号二值化方法计算二进制编码矩阵的初值B＝sgn(Y)，其中sgn表示符号函数，对于负数返回-1，否则返回1；

3.2)计算当前二进制编码梯度矩阵其中ρ表示二进制编码的相似度保留程度与编码各位平衡无关程度的平衡参数；

3.3)根据计算得到的梯度矩阵中各元素的符号更新二进制编码矩阵对应位置上的值；

3.4)重复步骤3.2)和步骤3.3)，直至二进制编码矩阵B收敛；

3.5)计算矩阵

3.6)计算矩阵

3.7)对矩阵T进行特征分解为T＝QΛQ^T；

3.8)取出矩阵Q和Λ中对应非零特征值的部分和

3.9)计算矩阵

3.10)构造随机矩阵

3.11)对矩阵进行格拉姆-施密特正交化，并取出正交化后矩阵的最后R-r列为

3.12)更新连续空间中编码矩阵为

3.13)重复步骤3.2)至步骤3.12)，直至二进制编码矩阵B和连续空间中编码矩阵Y收敛，则得到最终的训练用户二进制哈希编码矩阵B。

所述的步骤4)具体为：根据目标用户在不同视图下的行为数据，利用步骤1.2)至步骤1.4)得到目标用户到所有锚点的转移概率向量则目标用户对应的二进制哈希编码为b_q＝sgn(p_qΛ^-1P^TB)。

所述的步骤5)具体为：根据步骤4)得到的目标用户二进制哈希编码和步骤3)得到的训练用户二进制哈希编码矩阵，计算目标用户编码到所有训练用户编码之间的汉明距离，选取汉明距离最小的n个用户作为目标用户的相似用户集合U，并记录相似用户集合中的用户哈希编码与目标用户哈希编码之间对应的汉明距离。

所述的步骤6)包括以下子步骤：

6.1)计算搜索得到的相似用户与目标用户之间的相似度为其中d_i表示步骤5)中得到的相似用户i与目标用户对应哈希编码之间的汉明距离；

6.2)将相似用户集合对应的偏好物品集合进行归并，忽略目标用户曾经选择过的物品，得到目标用户的偏好物品候选集合I；

6.3)对于偏好物品候选集合中的每一个物品，计算目标用户对物品的偏好评分预测值其中s_u表示步骤6.1)中得到的相似用户与目标用户之间的相似度，r_ui表示用户u对物品i的评分，若无评分则视为零分，N_i表示相似用户集合众对该物品做出过有效评分的用户数量；

6.4)根据步骤6.3)计算得到的目标用户对候选物品的偏好预测评分进行排序，将排名前K的候选物品作为最终推荐结果。

本发明的有益效果是：本发明根据个性化推荐中的多视图、大规模数据场景，将多试图哈希学习算法与基于协同过滤的推荐技术相结合，融合了不同来源、不同类型的多视图用户数据，提高了对用户相似度评估的质量，从而提高了推荐结果的质量；此外，通过将用户表示为对应的二进制哈希编码，实现了快速的相似用户搜索，极大提高了推荐结果计算的效率。

附图说明

图1是本发明基于多视图锚点图哈希技术的个性化推荐方法流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，本发明一种基于多视图锚点图哈希技术的个性化推荐方法，包括以下步骤：

1)根据训练用户在不同视图下的行为数据，构建用户数据的多视图锚点图表示；具体包括以下子步骤：

1.1)对于训练用户在第i个视图下的行为数据矩阵其中N表示训练用户的数量，d_i表示第i个视图下用户数据的维度，利用K-means聚类方法生成T_i个聚类中心，作为该视图下数据的锚点,T_i的取值与用户数量相关，一般取为N/200左右，但必须大于设定的哈希编码的位数R；

1.2)将不同视图下的训练用户数据进行水平连接得到矩阵其中M表示视图的数量，d_total表示所有视图下用户数据的维度之和；

1.3)对于每个训练用户，搜索该用户在各视图下最近邻的2个锚点，组成集合利用不同视图下的最近邻锚点集合构建对角矩阵

1.4)对于每个训练用户，利用Nesterov梯度方法和投影梯度方法求解优化问题其中表示该用户到所有最近邻锚点的转移概率，初值均为x_i表示矩阵X的第i行；

1.5)将用户到非最近邻锚点的转移概率设定为0，根据得到的各用户到最近邻锚点的转移概率，得到所有用户到所有锚点的转移概率矩阵其中T_total表示所有视图下锚点数量的总和,这个转移概率矩阵就是所构建的用户数据的多视图锚点图表示。

2)利用多视图锚点图与训练用户的行为数据生成连续空间中的用户哈希编码；具体包括以下子步骤：

2.1)计算得到转移概率矩阵P的列和向量

2.2)构造对角矩阵

2.3)计算矩阵

2.4)计算矩阵M的除1以外的最大R个特征值对应的特征向量

2.5)计算训练用户对应的连续空间中哈希编码矩阵

3)对连续空间中的哈希编码进行量化，得到训练用户对应的二进制哈希编码；具体包括以下子步骤：

3.1)使用符号二值化方法计算二进制编码矩阵的初值B＝sgn(Y)，其中sgn表示符号函数，对于负数返回-1，否则返回1；

3.2)计算当前二进制编码梯度矩阵其中ρ表示二进制编码的相似度保留程度与编码各位平衡无关程度的平衡参数；

3.3)根据计算得到的梯度矩阵中各元素的符号更新二进制编码矩阵对应位置上的值；

3.4)重复步骤3.2)和步骤3.3)，直至二进制编码矩阵B收敛；

3.5)计算矩阵

3.6)计算矩阵

3.7)对矩阵T进行特征分解为T＝QΛQ^T；

3.8)取出矩阵Q和Λ中对应非零特征值的部分和

3.9)计算矩阵

3.10)构造随机矩阵

3.11)对矩阵进行格拉姆-施密特正交化，并取出正交化后矩阵的最后R-r列为

3.12)更新连续空间中编码矩阵为

3.13)重复步骤3.2)至步骤3.12)，直至二进制编码矩阵B和连续空间中编码矩阵Y收敛，则得到最终的训练用户二进制哈希编码矩阵B。

4)利用多视图锚点图、训练用户的二进制哈希编码及目标用户的行为数据生成目标用户对应的二进制哈希编码；具体为：根据目标用户在不同视图下的行为数据，利用步骤1.2)至步骤1.4)得到目标用户到所有锚点的转移概率向量则目标用户对应的二进制哈希编码为b_q＝sgn(p_qΛ^-1P^TB)。

5)利用得到的目标用户和训练用户的哈希编码为目标用户搜索相似用户；具体为：根据步骤4得到的目标用户二进制哈希编码和步骤3得到的训练用户二进制哈希编码矩阵，计算目标用户编码到所有训练用户编码之间的汉明距离。选取汉明距离最小的n个用户作为目标用户的相似用户集合U，并记录相似用户集合中的用户哈希编码与目标用户哈希编码之间对应的汉明距离，n一般可取50至80左右。

6)将相似用户对应的偏好物品集合作为推荐候选列表，计算目标用户对候选物品的偏好程度，返回偏好程度最大的K个物品作为推荐结果，K表示推荐结果的数量。具体包括以下子步骤：

6.1)计算搜索得到的相似用户与目标用户之间的相似度为其中d_i表示步骤5)中得到的相似用户i与目标用户对应哈希编码之间的汉明距离；

6.2)将相似用户集合对应的偏好物品集合进行归并，忽略目标用户曾经选择过的物品，得到目标用户的偏好物品候选集合I；

6.3)对于偏好物品候选集合中的每一个物品，计算目标用户对物品的偏好评分预测值其中s_u表示步骤6.1)中得到的相似用户与目标用户之间的相似度，r_ui表示用户u对物品i的评分，若无评分则视为零分，N_i表示相似用户集合众对该物品做出过有效评分的用户数量；

6.4)根据步骤6.3)计算得到的目标用户对候选物品的偏好预测评分进行排序，将排名前K的候选物品作为最终推荐结果，在实际应用中，k一般可取5至20左右。

Claims (6)

1.一种基于多视图锚点图哈希技术的个性化推荐方法，其特征在于，包括以下步骤：

1)根据训练用户在不同视图下的行为数据，构建用户数据的多视图锚点图表示；

所述的步骤1)包括以下子步骤：

1.1)对于训练用户在第i个视图下的行为数据矩阵其中N表示训练用户的数量，d_i表示第i个视图下用户数据的维度，利用K-means聚类方法生成Ti个聚类中心，作为该视图下数据的锚点，Ti的取值与用户数量相关，大于设定的哈希编码的位数R；

1.2)将不同视图下的训练用户数据进行水平连接得到矩阵其中M表示视图的数量，d_total表示所有视图下用户数据的维度之和；

1.3)对于每个训练用户，搜索该用户在各视图下最近邻的2个锚点，组成集合利用不同视图下的最近邻锚点集合构建对角矩阵

1.4)对于每个训练用户，利用Nesterov梯度方法和投影梯度方法求解优化问题其中表示该用户到所有最近邻锚点的转移概率，初值均为x_i表示矩阵X的第i行；

1.5)将用户到非最近邻锚点的转移概率设定为0，根据得到的各用户到最近邻锚点的转移概率，得到所有用户到所有锚点的转移概率矩阵其中T_total表示所有视图下锚点数量的总和，这个转移概率矩阵就是所构建的用户数据的多视图锚点图表示；

2)利用多视图锚点图与训练用户的行为数据生成连续空间中的用户哈希编码；

3)对连续空间中的哈希编码进行量化，得到训练用户对应的二进制哈希编码；

4)利用多视图锚点图、训练用户的二进制哈希编码及目标用户的行为数据生成目标用户对应的二进制哈希编码；

5)利用得到的目标用户和训练用户的哈希编码为目标用户搜索相似用户；

6)将相似用户对应的偏好物品集合作为推荐候选列表，计算目标用户对候选物品的偏好程度，返回偏好程度最大的K个物品作为推荐结果，K表示推荐结果的数量。

2.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法，其特征在于，所述的步骤2)包括以下子步骤：

2.1)计算得到转移概率矩阵P的列和向量

2.2)构造对角矩阵

2.3)计算矩阵

2.4)计算矩阵M的除1以外的最大R个特征值对应的特征向量

2.5)计算训练用户对应的连续空间中哈希编码矩阵

3.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法，其特征在于，所述的步骤3)包括以下子步骤：

3.1)使用符号二值化方法计算二进制编码矩阵的初值B＝sgn(Y)，其中sgn表示符号函数，对于负数返回-1，否则返回1；

3.2)计算当前二进制编码梯度矩阵其中p表示二进制编码的相似度保留程度与编码各位平衡无关程度的平衡参数；

3.3)根据计算得到的梯度矩阵中各元素的符号更新二进制编码矩阵对应位置上的值；

3.4)重复步骤3.2)和步骤3.3)，直至二进制编码矩阵B收敛；

3.5)计算矩阵

3.6)计算矩阵

3.7)对矩阵T进行特征分解为T＝QΛQ^T；

3.8)取出矩阵Q和Λ中对应非零特征值的部分和

3.9)计算矩阵

3.10)构造随机矩阵

3.11)对矩阵进行格拉姆-施密特正交化，并取出正交化后矩阵的最后R-r列为

3.12)更新连续空间中编码矩阵为

3.13)重复步骤3.2)至步骤3.12)，直至二进制编码矩阵B和连续空间中编码矩阵Y收敛，则得到最终的训练用户二进制哈希编码矩阵B。

4.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法，其特征在于，所述的步骤4)具体为：根据目标用户在不同视图下的行为数据，利用步骤1.2)至步骤1.4)得到目标用户到所有锚点的转移概率向量则目标用户对应的二进制哈希编码为b_q＝sgn(p_qΛ^-1P^TB)。

5.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法，其特征在于，所述的步骤5)具体为：根据步骤4)得到的目标用户二进制哈希编码和步骤3)得到的训练用户二进制哈希编码矩阵，计算目标用户编码到所有训练用户编码之间的汉明距离，选取汉明距离最小的n个用户作为目标用户的相似用户集合U，并记录相似用户集合中的用户哈希编码与目标用户哈希编码之间对应的汉明距离。

6.根据权利要求1所述一种基于多视图锚点图哈希技术的个性化推荐方法，其特征在于，所述的步骤6)包括以下子步骤：

6.1)计算搜索得到的相似用户与目标用户之间的相似度为其中d_i表示步骤5)中得到的相似用户i与目标用户对应哈希编码之间的汉明距离；

6.2)将相似用户集合对应的偏好物品集合进行归并，忽略目标用户曾经选择过的物品，得到目标用户的偏好物品候选集合I；

6.3)对于偏好物品候选集合中的每一个物品，计算目标用户对物品的偏好评分预测值其中s_u表示步骤6.1)中得到的相似用户与目标用户之间的相似度，r_ui表示用户u对物品i的评分，若无评分则视为零分，N_i表示相似用户集合众对该物品做出过有效评分的用户数量；

6.4)根据步骤6.3)计算得到的目标用户对候选物品的偏好预测评分进行排序，将排名前K的候选物品作为最终推荐结果。