CN108228833B - 一种利用用户倾向性学习解决社区项目推荐任务的方法 - Google Patents

Abstract

本发明公开了一种利用用户倾向性学习解决社区项目推荐任务的方法。主要包括如下步骤：1)针对于社交网络中的项目，用户，生成项目的表达矩阵与拉普拉斯矩阵。利用每次收集的用户项目排名信息，迭代产生用户倾向性矩阵2)对于生成的用户倾向性矩阵与项目表达矩阵，产生对于用户的项目推荐。相比于一般的项目推荐解决方案，本发明使用了项目特征及用户之间的相互关系，同时迭代地使用多次用户对于项目的排序信息，则能够更准确地反映用户对于项目的排序特点，同时时间消耗低。本发明在社区项目推荐问题中所取得的效果相比于传统的方法更好。

Description

一种利用用户倾向性学习解决社区项目推荐任务的方法

技术领域

本发明涉及社区项目推荐任务，尤其涉及一种利用用户倾向性学习解决社区项目推荐任务的方法。

背景技术

随着以社交网站的蓬勃发展，以社区项目推荐服务已经成为一项重要的网络服务，该服务可以针对于每一个不同的用户，利用其过去的浏览项目，推荐其可能会感兴趣的项目，但是目前的效果并不是很好。

现有的技术主要是基于所有的以往用户项目意见均已知的前提来做，该方法往往对于在线推荐的实际应用并不适用，因为每当有新的用户对于项目的排序数据加入到训练数据中时，就要再次更新训练模型，这十分地费时。同时，若训练数据的数据量过大，则需要将所有的训练数据放入训练批次中，这十分困难。另外，一般用户的倾向性排名会随着时间而有所改变，这会导致训练模型不能及时更新。为了克服这些缺陷，本方法将使用一种原创的叫做在线图像正则化用户倾向性学习的社交推荐系统框架进行社交项目的推荐。

本发明将迭代地利用用户对于项目的排序信息与项目的个体特征产生用户对于项目的倾向性大小，利用该倾向性大小可以反映出不同用户对于不同项目的喜欢程度，将喜欢程度高的项目返回作为对于用户的推荐项目。

发明内容

本发明的目的在于解决现有技术中的问题，为了克服现有技术中需要实时更新模型从而导致计算消耗量过大的问题，本发明提供一种利用用户倾向性学习解决社区项目推荐任务的方法。本发明所采用的具体技术方案是：

利用用户倾向性学习解决社区项目推荐任务的方法，包含如下步骤：

1、针对于社交网站上用户对于项目的评论，获得每个项目的特征表达矩阵。利用用户之间的相互关注的关系获取用户关系矩阵。并利用用户关系矩阵获取拉普拉斯矩阵。

2、随机初始化用户倾向性矩阵，迭代进行特征值矩阵计算，利用产生的特征值矩阵产生每次的用户倾向性矩阵。

3、利用最终得到的用户倾向性矩阵与步骤1得到的项目的特征表达矩阵，求出预测的用户对于项目的排序矩阵，将更排序值较高的适合用户的项目推荐给用户。

上述步骤可具体采用如下实现方式：

1、对于给出的社交网路中的项目，利用词袋分析的方法将用户对于该项目的评价文本，提取出相关项目的特征信息。对于第i个项目，将提取出的d维特征向量x_i，作为该项目的特征表达，则m个项目的特征表达构成矩阵 X＝[x₁,...,x_m]∈R^d*m。

对于社交网路中的用户，利用用户之间的相互关注的关系构成用户之间的关系矩阵S∈R^n*n，其中n为用户的数目，具体构建矩阵的方法为下述两种方法中的一种：

方法一：对于社交网站中的用户，若i用户与j用户为朋友关系，则s_ij＝1，否则，s_ij＝0；

方法二：对于社交网站中的用户，将i用户所关注的用户作为集合F_i，j用户所关注的用户作为集合F_j，则

其中|F_i∩F_j|代表i用户与j用户的共同关注的人，|F_i∪F_j|代表i用户及j用户所有关注的人；

之后利用矩阵S的元素构建矩阵对角D，其中d_ii＝∑_js_ij。构建拉普拉斯矩阵L＝D-S。

2、随机初始化初次的用户倾向性矩阵W₁∈R^d*n，其中n为用户的数目，d 与步骤1中的项目特征表达向量的维度d相同，且令W₁满足||W₁||_*≤γ，其中 ||W₁||_*代表矩阵W₁的奇异值之和，γ为一个提前定义好的矩阵W₁奇异值之和的最大值。

设在进行K次迭代来求取用户倾向性矩阵时，每次迭代中收集到的用户对于项目的排名情况构成的集合为Ω＝{Ω₁,...,Ω_k,...,Ω_K}，其中对于第k次迭代时收集到的用户对于项目的排名集合Ω_k，(i,j)∈Ω_k代表i用户对于项目j的排名在所收集的排名集合中，即在用户项目排名矩阵R∈R^n*m中，满足r_ij∈R且r_ij≠0。其中m为项目的总数，n为用户的总数。

在第τ＝1,2,...,K次迭代时，按照如下公式，求取最大特征值矩阵V_τ：

其中，δ₁(.)代表求

的最大特征值矩阵，

代表按照如下公式求取：

其中，W_τ(i)为矩阵W_τ的第i行向量，|Ω_υ|代表在第1到第τ次收集用户项目排名中，第υ次迭代时获取的项目排名集合Ω_υ中所含有的项目排名的总数。x_j代表项目矩阵X中代表第j个项目的向量，r_ij代表对于在第1到第τ次收集用户项目排名中，收集到的i用户对于项目j的排名信息，即R矩阵的第i行第j列元素。e_i为第i个元素为1其余元素为0的单位向量。L为步骤1中所得到的拉普拉斯矩阵。λ为提前定义好的权衡参数。

利用所获得的最大特征值V_τ与上一次迭代产生的用户倾向性矩阵W_τ，按照如下公式计算第τ+1次迭代对应的用户倾向性矩阵W_τ+1：

W_τ+1＝(1-τ^-a)W_τ+τ^-aV_τ

其中，a为提前定义好的固定常数。

最终，经过K次迭代后，得到最终的用户倾向性矩阵W_K。

3、利用步骤2得到的最终的用户倾向性矩阵W_K与步骤1得到的项目的特征表达矩阵X，计算按照公式

计算得到预测的用户对于项目的排名矩阵

根据矩阵

中每一个用户对于不同项目的排名值大小，将有较大排名值的项目推荐给用户。

附图说明

图1是本发明使用的在线图像正则化用户倾向性学习的整体示意图。

具体实施方式

下面结合附图和具体实施方式对本发明做进一步阐述和说明。

如图1所示，本发明一种利用用户倾向性学习解决社区项目推荐任务的方法包括如下步骤：

1)针对于社交网站上用户对于项目的评论，获得每个项目的特征表达矩阵；利用用户之间的相互关注的关系获取用户关系矩阵；并利用用户关系矩阵获取拉普拉斯矩阵；

2)随机初始化用户倾向性矩阵，迭代进行特征值矩阵计算，利用产生的特征值矩阵产生每次的用户倾向性矩阵；

3)利用最终得到的用户倾向性矩阵与步骤1)得到的项目的特征表达矩阵，求出预测的用户对于项目的排序矩阵，将更排序值较高的适合用户的项目推荐给用户。

所述的步骤1)获取项目表达，用户关系矩阵与拉普拉斯矩阵,其具体步骤为:

对于给出的社交网路中的项目，利用词袋分析的方法将用户对于该项目的评价文本，提取出相关项目的特征信息。对于第i个项目，将提取出的d维特征向量x_i，作为该项目的特征表达，则m个项目的特征表达构成矩阵 X＝[x₁,...,x_m]∈R^d*m。

对于社交网路中的用户，利用用户之间的相互关注的关系构成用户之间的关系矩阵S∈R^n*n，其中n为用户的数目，具体构建矩阵的方法为下述两种方法中的一种：

方法一：对于社交网站中的用户，若i用户与j用户为朋友关系，则s_ij＝1，否则，s_ij＝0；

方法二：对于社交网站中的用户，将i用户所关注的用户作为集合F_i，j用户所关注的用户作为集合F_j，则

其中|F_i∩F_j|代表i用户与j用户的共同关注的人，|F_i∪F_j|代表i用户及j用户所有关注的人。

之后利用矩阵S的元素构建矩阵对角D，其中d_ii＝∑_js_ij。构建拉普拉斯矩阵L＝D-S。

所述的步骤2)迭代计算特征值矩阵及用户倾向性矩阵，其具体步骤为：

随机初始化初次的用户倾向性矩阵W₁∈R^d*n，其中n为用户的数目，d与步骤1中的项目特征表达向量的维度d相同，且令W₁满足||W₁||_*≤γ，其中||W₁||_*代表矩阵W₁的奇异值之和，γ为一个提前定义好的矩阵W₁奇异值之和的最大值；

设在进行K次迭代来求取用户倾向性矩阵时，每次迭代中收集到的用户对于项目的排名情况构成的集合为Ω＝{Ω₁,...,Ω_k,...,Ω_K}，其中对于第k次迭代时收集到的用户对于项目的排名集合Ω_k，(i,j)∈Ω_k代表i用户对于项目j的排名在所收集的排名集合中，即在用户项目排名矩阵R∈R^n*m中，满足r_ij∈R且r_ij≠0；其中m为项目的总数，n为用户的总数；

在第τ＝1,2,...,K次迭代时，按照如下公式，求取最大特征值矩阵V_τ：

其中，δ₁(.)代表求

的最大特征值矩阵，

代表按照如下公式求取：

其中，W_τ(i)为矩阵W_τ的第i行向量，|Ω_υ|代表在第1到第τ次收集用户项目排名中，第υ次迭代时获取的项目排名集合Ω_υ中所含有的项目排名的总数；x_j代表项目矩阵X中代表第j个项目的向量，r_ij代表对于在第1到第τ次收集用户项目排名中，收集到的i用户对于项目j的排名信息，即R矩阵的第i行第j列元素；e_i为第i个元素为1其余元素为0的单位向量；L为步骤1中所得到的拉普拉斯矩阵，λ为提前定义好的权衡参数；

利用所获得的最大特征值V_τ与上一次迭代产生的用户倾向性矩阵W_τ，按照如下公式计算第τ+1次迭代对应的用户倾向性矩阵W_τ+1：

W_τ+1＝(1-τ^-a)W_τ+τ^-aV_τ

其中，a为提前定义好的固定常数；

最终，经过K次迭代后，得到最终的用户倾向性矩阵W_K。

所述的步骤3)利用步骤2)得到的用户倾向性矩阵与步骤1)得到的项目的特征表达矩阵，计算用户对于项目的排序矩阵，其具体步骤为：

利用步骤2)得到的最终的用户倾向性矩阵W_K与步骤1)得到的项目的特征表达矩阵X，计算按照公式

计算得到预测的用户对于项目的排名矩阵

根据矩阵

中每一个用户对于不同项目的排名值大小，将有较大排名值的项目推荐给用户。

下面将上述方法应用于下列实施例中，以体现本发明的技术效果，实施例中具体步骤不再赘述。

实施例

本发明在社交点评网站Douban及社交点评网站CIAO上构建实验数据进行实验。所使用的Douban数据集中共包括3100个用户对于34455部电影的776344 条点评数据，及7146个用户对于120562首歌曲的797764条点评数据，所使用的CIAO数据集中共包括7300个用户对于4149个产品的34893条点评数据。为了客观地评价本发明的算法的性能，本发明在所选出的测试集中，使用了MAE， RMSE这两种评价标准来对于本发明的效果进行评价，且分别针对90％、70％、50％、 30％与10％比例的训练数据进行训练并进行实验求解。按照具体实施方式中描述的步骤，所得的针对于Douban的电影数据集的MAE评价标准实验结果如表1 所示，针对于Douban的电影数据集的RMSE评价标准实验结果如表2所示，针对于Douban的歌曲数据集的MAE评价标准实验结果如表3所示，针对于Douban 的歌曲数据集的RMSE评价标准实验结果如表4所示，针对于CIAO的数据集的MAE评价标准实验结果如表5所示，针对于CIAO的数据集的RMSE评价标准实验结果如表6所示，本方法表示为ORGPL-FW。表1至表6的测试结果表明，本方法在利用用户对于项目的排序信息与项目的个体特征的情况下，可以更好地反映出不同用户对于不同项目的喜欢程度，能够将喜欢程度高的项目推荐给适合的用户。本方法比其他现存的方法在社区项目推荐服务上取得更好的效果：

表1本发明针对于Douban电影数据在MAE标准的测试结果

表2本发明针对于Douban电影数据在RMSE标准的测试结果

表3本发明针对于Douban音乐数据在MAE标准的测试结果

表4本发明针对于Douban音乐数据在RMSE标准的测试结果

表5本发明针对于CIAO电影数据在MAE标准的测试结果

表6本发明针对于CIAO电影数据在RMSE标准的测试结果。

Claims (4)

1.一种利用用户倾向性学习解决社区项目推荐任务的方法，其特征在于包括如下步骤：

1)针对于社交网站上用户对于项目的评论，获得每个项目的特征表达矩阵；利用用户之间的相互关注的关系获取用户关系矩阵；并利用用户关系矩阵获取拉普拉斯矩阵；

2)随机初始化用户倾向性矩阵，迭代进行特征值矩阵计算，利用产生的特征值矩阵产生每次的用户倾向性矩阵；具体为：

随机初始化初次的用户倾向性矩阵W₁∈R^d*n，其中n为用户的数目，d与步骤1中的项目特征表达向量的维度d相同，且令W₁满足||W₁||_*≤γ，其中||W₁||_*代表矩阵W₁的奇异值之和，γ为一个提前定义好的矩阵W₁奇异值之和的最大值；

设在进行K次迭代来求取用户倾向性矩阵时，每次迭代中收集到的用户对于项目的排名情况构成的集合为Ω＝{Ω₁,...,Ω_k,...,Ω_K}，其中对于第k次迭代时收集到的用户对于项目的排名集合Ω_k，(i,j)∈Ω_k代表i用户对于项目j的排名在所收集的排名集合中，即在用户项目排名矩阵R∈R^n*m中，满足r_ij∈R且r_ij≠0；其中m为项目的总数，n为用户的总数；

在第τ＝1,2,...,K次迭代时，按照如下公式，求取最大特征值矩阵V_τ：

其中，δ₁(.)代表求

的最大特征值矩阵，

代表按照如下公式求取：

其中，W_τ(i)为矩阵W_τ的第i行向量，|Ω_υ|代表在第1到第τ次收集用户项目排名中，第υ次迭代时获取的项目排名集合Ω_υ中所含有的项目排名的总数；x_j代表项目矩阵X中代表第j个项目的向量，r_ij代表对于在第1到第τ次收集用户项目排名中，收集到的i用户对于项目j的排名信息，即R矩阵的第i行第j列元素；e_i为第i个元素为1其余元素为0的单位向量；L为步骤1中所得到的拉普拉斯矩阵，λ为提前定义好的权衡参数；

利用所获得的最大特征值V_τ与上一次迭代产生的用户倾向性矩阵W_τ，按照如下公式计算第τ+1次迭代对应的用户倾向性矩阵W_τ+1：

W_τ+1＝(1-τ^-a)W_τ+τ^-aV_τ

其中，a为提前定义好的固定常数；

最终，经过K次迭代后，得到最终的用户倾向性矩阵W_K；

3)利用步骤2)得到的最终的用户倾向性矩阵W_K与步骤1)得到的项目的特征表达矩阵X，计算按照公式

计算得到预测的用户对于项目的排名矩阵

根据矩阵

中每一个用户对于不同项目的排名值大小，将有较大排名值的项目推荐给用户。

2.根据权利要求1所述利用用户倾向性学习解决社区项目推荐任务的方法，其特征在于所述的步骤1)具体步骤为:

对于给出的社交网路中的项目，利用词袋分析的方法将用户对于该项目的评价文本，提取出相关项目的特征信息；对于第i个项目，将提取出的d维特征向量x_i，作为该项目的特征表达，则m个项目的特征表达构成矩阵X＝[x₁,...,x_m]∈R^d*m；

对于社交网路中的用户，利用用户之间的相互关注的关系构成用户之间的关系矩阵S∈R^n*n，其中n为用户的数目；

之后利用矩阵S的元素构建矩阵对角D，其中d_ii＝∑_js_ij，构建拉普拉斯矩阵L＝D-S。

3.根据权利要求2所述利用用户倾向性学习解决社区项目推荐任务的方法，其特征在于构成用户之间的关系矩阵S∈R^n*n的方法为：对于社交网站中的用户，若i用户与j用户为朋友关系，则s_ij＝1，否则，s_ij＝0。

4.根据权利要求2所述利用用户倾向性学习解决社区项目推荐任务的方法，其特征在于构成用户之间的关系矩阵S∈R^n*n的方法为：对于社交网站中的用户，将i用户所关注的用户作为集合F_i，j用户所关注的用户作为集合F_j，则

其中|F_i∩F_j|代表i用户与j用户的共同关注的人，|F_i∪F_j|代表i用户及j用户所有关注的人。

Images