CN109002541B

CN109002541B - 一种融合群组信息的列表级学习项目推荐方法

Info

Publication number: CN109002541B
Application number: CN201810812531.9A
Authority: CN
Inventors: 王刚; 张亚楠; 陈刚; 王含茹; 张峰
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2018-07-23
Filing date: 2018-07-23
Publication date: 2021-12-07
Anticipated expiration: 2038-07-23
Also published as: CN109002541A

Abstract

本发明提供一种融合群组信息的列表级学习项目推荐方法，能够利用用户参与群组的信息，得到用户之间的相关性，从而提高项目推荐的精度，提升用户对推荐结果的满意度。本发明有益效果体现在：克服了当前推荐方法对群组信息利用不完整的现象，为在项目推荐的研究中充分的利用群组信息提供了一个参考，明显提高了推荐的精度，有效缓解了推荐系统中存在的数据稀疏问题；相对已有的推荐方法，本发明首次使用用户加入群组大小和用户共同加入群组数量信息，有效提高推荐精度和用户对最终推荐项目的满意度；本发明可以推荐电影、音乐、图书等多种项目，泛化能力强。同时，本发明提出的方法可以在各种平台上的推荐系统中使用，应用范围广泛。

Description

一种融合群组信息的列表级学习项目推荐方法

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种融合群组信息的列表级学习项目推荐方法。

背景技术

近些年，随着Web2.0技术的发展，社交媒体上产生了大量的用户自主生成的个性化内容，导致用户难以从海量的数据中检索到符合自己要求的信息。推荐系统作为一种有效的应对信息过载的方法，能够有效解决上述问题。目前。推荐系统主要分为三类：基于内容的推荐方法、基于评分的推荐方法和混合推荐方法，其中基于评分的方法由于在最终推荐效果上表现较好，受到众多研究者的关注。在实际生活中，推荐系统也广泛应用在电子商务、学术社交网络服务等方面，大幅减少了用户寻找信息所耗费的时间和精力，提升用户的满意度。

现有的推荐方法虽能够为推荐系统的构建提供理论基础和实践指导，但是仍存在不足之处：

(1)没有考虑推荐列表中项目的顺序关系。现有的基于评分的推荐方法通过预测用户对项目的评分，根据分数来对用户进行推荐，在对用户进行推荐时仅考虑到了用户对单个项目的评分，通过优化最终项目评分的绝对误差进行推荐，没有考虑到推荐列表中项目的排序关系。而在现实生活中，用户往往更加关心最终推荐列表中项目的顺序，根据推荐项目的顺序来判断推荐结果的好坏，而不关注最终推荐项目评分的绝对误差。

(2)没有充分考虑对群组信息的利用。在如今的社会中，存在着许多以兴趣为导向的群组，通常是兴趣类似的用户聚集而成，在对用户进行推荐时，用户会倾向于选择和自己有相同兴趣的用户选择的项目，这一影响在用户最终选择推荐物品的时候起到重要的作用。目前的项目推荐方法在社会环境下进行项目推荐时，没有充分考虑到用户加入群组大小和用户共同加入群书数量等信息的影响。

发明内容

为了解决现有技术中存在的上述技术缺陷，本发明提供一种融合群组信息的列表级学习项目推荐方法。

本发明是通过以下技术方案实现的：

一种融合群组信息的列表级学习项目推荐方法，包括如下步骤：

步骤1，构造用户项目三元组T和用户群组三元组P：所述三元组T＝＜U,I,R＞表示用户对项目的评分信息，所述三元组P＝{G,U,F}表示用户对群组的归属信息；

其中，U表示用户集合，并有U＝{U₁,U₂,...,U_i,...,U_N}，U_i表示第i个用户；I表示项目集合，并有I＝{I₁,I₂,...,I_j,...,I_M}，I_j表示第j个项目；R表示用户对项目的评分矩阵，并有R＝{R_i,j}_N×M，R_i,j＝p表示第i个用户U_i对第j个项目I_j的评分为p；R_i,j为空表示第i个用户U_i对第j个项目I_j尚未有评分；；其中，1≤i≤|U|，1≤j≤|I|，1≤p≤L；L为用户为项目评分的最高值，|U|和|I分别表示用户和项目集合中元素的数量。

G表示群组集合，并有G＝{G₁,G₂,...,G_g,...G_K}，G_g表示第g个群组；F表示群组用户矩阵，为布尔矩阵，并有F＝{F_g,i}_K×N，F_g,i表示第i个用户U_i是否属于群组G_g的信息：若F_g,i＝1，则表示第i个用户U_i属于第g个群组G_g；若F_g,i＝0，则表示第i个用户U_i不属于第g个群组G_g；1≤g≤K；群组数量K为预设值。

步骤2，定义用户相关性矩阵S＝{S_i,m}_N×N，使用矩阵形式表示用户之间的用户相关系数信息，如式(3)所示：

式(3)中，Sim(U_i,U_m)表示第i个用户U_i和第m个用户U_m融合群组信息的用户相关系数；S_i,m表示当第i个用户U_i和第m个用户U_m共同加入群组不为空时，使用第i个用户U_i和第m个用户U_m的用户相关系数。

步骤3，实施融合群组信息的列表级排序学习方法，计算获得用户特征矩阵W和项目特征矩阵V；具体包括如下步骤：

步骤3.1，根据式(4)定义首位概率p_li(R_i,j)：

式(4)中，Y表示第i个用户U_i的待排序列表长度；l_i表示第i个用户U_i的排序列表；R_i,j表示第i个用户U_i对第j个项目I_j的评分；

是选取的单调递增且函数值始终为正值的函数；1＜Y＜M。

步骤3.2，利用式(5)计算得到第i个用户U_i对第j个项目I_j的预测分值

式(5)中，T_(i)表示用户相关性矩阵S中，与第i个用户U_i的相似度不为0的用户集合；参数α用于调整用户自己的预测评分在最终的预测评分中所占的权重，α越小，表明相似用户的预测评分对最终的预测评分的影响越大。

步骤3.3，引入KL距离，结合式(6)得到列表级损失函数L(W,V)：

式(6)中，其中R_i,j表示已知的第i个用户U_i对第j个项目V_j的评分；λ_W表示用户矩阵的正则项；λ_V表示项目矩阵的正则项；

表示用户特征向量的二阶范数；

表示项目特征向量的二阶范数；I_i,j为指示函数，如果第i个用户U_i对第j个项目V_j有过评分，则I_i,j＝1，否则I_i,j＝0。

步骤3.4，根据观测到的用户对项目的历史评分数据，生成评分矩阵R，其中每行代表一个用户，每列代表一个项目。

步骤3.5，设定迭代次数阈值为ω，并初始化迭代次数C＝1。

步骤3.6，对式(6)采用梯度下降方法，利用式(7)和式(8)分别计算第C次的第i个用户特征向量U_i的梯度

和第j个项目的特征向量V_j的梯度

步骤3.7，利用式(9)和式(10)分别更新第C次迭代时第i个用户U_i的特征向量W_i ^(C)以及第C次迭代时第j个项目I_j的特征向量V_j ^(C)，获得第C次迭代时第i个用户U_i的特征向量W_i ^(C+1)以及第C次迭代时第j个项目I_j的特征向量V_j ^(C+1)：

其中，式(9)和式(10)中β为学习率，控制迭代时的步长。

步骤3.8，将C+1赋值给C，判断C＜ω是否成立，若成立，则回转执行步骤3.6和步骤3.7；否则，结束迭代计算，获得所有用户更新后的用户特征矩阵W′和更新后的项目特征矩阵V′。

步骤4，根据所述用户特征矩阵W和项目特征矩阵V，计算获取对每个用户预测评分最高的前H个项目构成的推荐列表；其中，H为预设值。

本发明相对于现有技术的有益效果在于：

1.本发明通过利用群组信息得到用户之间的相关性，并结合列表级学习推荐方法，进而获得项目推荐的列表，从而克服了当前推荐方法对群组信息利用不完整的现象，为在项目推荐的研究中充分的利用群组信息提供了一个参考，明显提高了推荐的精度，有效缓解了推荐系统中存在的数据稀疏问题。

2.本发明通过利用用户共同加入群组个数的信息、用户共同加入群组大小的信息以及用户来获得用户之间的相似性，并将这种用户之间的相似性融入到列表级学习方法中，从全局优化最终用户推荐的列表，并通过实际数据集对本发明提出的方法进行验证，证明了该方法的可行性和有效性。

3.本发明从实际出发，通过融合群组信息，接着通过矩阵分解的方法得到用户特征矩阵和项目特征矩阵，然后将用户特征向量和项目特征向量相乘得到用户对项目的预测评分，最后针对推荐列表不断进行优化，得到最终的用户项目推荐列表。相对已有的推荐方法，本发明首次使用用户加入群组大小和用户共同加入群组数量信息，有效提高推荐精度和用户对最终推荐项目的满意度。

4.本发明的应用范围广泛，可以适用于推荐电影、音乐、图书等多种项目，泛化能力强；同时，本发明提出的方法可以在各种平台上的推荐系统中使用。

附图说明

图1为本发明流程示意图；

图2为本发明推荐准确率实验结果图；

图3为本发明推荐召回率实验结果图；

图4为本发明平均准确率实验结果图；

图5为本发明平均倒数排序实验结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例1：

本实施例提供一种融合群组信息的列表级学习项目推荐方法，用于在社交网络、电子商务等网络平台环境中对用户进行信息推荐。该方法利用三元组分别表示用户项目信息和用户群组信息，并且计算用户与其好友的相似程度。然后，借助于矩阵分解的方式，将使用梯度下降的优化方法，使得用户特征矩阵W和项特征矩阵V的内积能够尽量逼近用户对项目的历史评分矩阵R。最后，得到对每个用户预测评分最高的H个项目构成的推荐列表。具体来说，如图1所示，本发明方法包括以下步骤：

步骤1，构造用户项目三元组T和用户群组三元组P：所述三元组T＝＜U,I,R＞表示用户对项目的评分信息，所述三元组P＝{G,U,F}表示用户对群组的归属信息。

其中，U表示用户集合，并有U＝{U₁,U₂,...,U_i,...,U_N}，U_i表示第i个用户；I表示项目集合，并有I＝{I₁,I₂,...,I_j,...,I_M}，I_j表示第j个项目；R表示用户对项目的评分矩阵，并有R＝{R_i,j}_N×M，R_i,j＝p表示第i个用户U_i对第j个项目I_j的评分为p；R_i,j为空表示第i个用户U_i对第j个项目I_j尚未有评分；其中，1≤i≤|U|，1≤j≤|I|，1≤p≤L；|U|和|I|分别表示用户和项目集合中元素的数量。在实际应用中，用户数量N和项目数量M通常使用实际推荐任务中用户和项目的数量；而评分最高值L通常为预设值。一般情况下，项目推荐方法采用五星评分制的情况较多，针对这种评分制，则将评分最高值L设为5；但此种情况仅为举例说明，具体的评分最高值L可以根据实际需要进行选取。

具体的，在步骤2中，计算第i个用户U_i和第m个用户U_m融合群组信息的用户相关系数Sim(U_i,U_m)的方法具体包括如下步骤：

步骤2.1，根据式(1)计算第i个用户U_i和第m个用户U_m共同加入的群组集合：

FI_i,m＝{G_g|F_g,i＝1∧F_g,m＝1,G_g∈G} (1)

其中，F_g,i表示第i个用户U_i是否属于群组G_g的信息；F_g,m表示第m个用户U_m是否属于群组G_g的信息；当同时满足F_g,i＝1和F_g,m＝1时，表示第i个用户U_i和第m个用户U_m属于群组G_g；FI_i,m表示第i个用户U_i和第m个用户U_m加入的群组集合。

步骤2.2，根据式(2)计算第i个用户U_i和第m个用户U_m融合群组信息的用户相关系数：

其中，|F_i|和|F_m|分别表示第i个用户U_i和第m个用户U_m所加入的群组个数；FI_i,m表示第i个用户U_i和第m个用户U_m共同加入的群组集合；|L_g|表示用户U_i和用户U_m共同加入的群组L_g的群组大小。

步骤3.1，根据式(4)定义首位概率(Top One概率)

用于表示某个物品在列表中处在第一位置的概率，在这里表示给用户U_i推荐的某个物品在其推荐列表l_i中处在第一位置的概率：

是选取的单调递增且函数值始终为正值的函数，例如本实施例中

选用指数函数；1＜Y＜M；

式(5)中，T_(i)表示用户相关性矩阵S中，与第i个用户U_i的相似度不为0的用户集合；参数α用于调整用户自己的预测评分在最终的预测评分中所占的权重，α越小，表明相似用户的预测评分对最终的预测评分的影响越大；

步骤3.3，引入KL距离(KL距离是Kullback-Leibler差异的简称，也叫做相对熵(Relative Entropy)原本是衡量相同事件空间里的两个概率分布的差异情况，在此用来衡量真实排序和预测排序概率分布的相似程度)，结合式(6)得到列表级损失函数L(W,V)：

表示用户特征向量的二阶范数；

步骤3.4，根据观测到的用户对项目的历史评分数据(这里的数据是指用户对项目评分的历史数据，形式为[用户物品评分])，生成评分矩阵R，其中每行代表一个用户，每列代表一个项目。根据观测的历史评分数据不是完整的，本发明的目的是根据原始的评分数据，生成原始评分矩阵，然后得到预测的评分矩阵，比较这两个差异，根据算法不断优化减少二者的差异，这里生成的R是优化误差的时候使用的。

步骤3.5，设定迭代次数阈值为ω，并初始化迭代次数C＝1。

和第j个项目的特征向量V_j的梯度

其中，式(9)和式(10)中β为学习率，控制迭代时的步长。

具体的，所述步骤4中根据用户特征矩阵W和项目特征矩阵V生成推荐列表的方法具体包括如下步骤：

步骤4.1，利用式(11)计算得到第i个用户U_i对第j个项目I_j的最终预测分值：

式(11)中，

表示第i个用户对U_i第j个项目I_j的最终预测评分；第W_i′^T表示第i个用户U_i更新完成后的特征向量的转置；V_j′表示第j个项目I_j更新完成后的特征向量的转置；两个向量相乘，得到第i个用户U_i对第j个项目I_j的评分。

步骤4.2，重复执行所述步骤4.1，直至获得第i个用户U_i对所有项目的预测分值，并从所有项目的预测分值中选取分值最高的且第i个用户U_i以前未选择过的前H个项目组成第i个用户U_i的推荐列表，进而获得所有用户的推荐列表。

下面以具体实例，针对本发明方法进行实验论证，具体内容如下：

1、数据集

本实施例中使用从豆瓣抓取的电影评分数据集作为标准数据集验证融合群组信息的列表级学习项目推荐方法，在验证过程中，为了保证实验的质量，我们制定了相关的规则对抓取的原始数据进行了预处理和筛选，处理后的数据集中包含1020个用户，12011部电影和1319个兴趣小组。在试验中，随机选取原始数据集的80％作为训练集，对本文所提的新方法进行模型的训练，而剩余的20％则是作为测试集，利用其对训练好的模型进行评估。

2、评价指标

为了对本发明进行全面的验证，采用推荐系统领域常用的准确率(Precision)、召回率(Recall)、平均准确率(MAP)和平均倒数排名(MRR)作为实验的评价指标。准确率(Precision)表示在推荐的项目中，用户真正感兴趣的项目所占比例，准确率(Precision)越大，推荐质量越高。召回率(Recall)表示在推荐的项目中符合用户兴趣的占测试集中项目的比例。召回率(Recall)越大，推荐效果越好。平均准确率(MAP)表示为用户推荐的物品在推荐列表和测试集的交集中的位置的平均值，平均准确率(MAP)越大，推荐效果越好。平均倒数排名(MRR)表示第一个推荐出的并且符合用户兴趣的项目在推荐列表中的平均位置，平均倒数排名(MRR)越大，推荐效果越好。设R(u_i)表示对用户u_i的推荐列表的集合，T(u_i)表示测试集中用户u_i实际评价过的项目的集合，|U|表示用户数量，Pre(R_ik)表示的是该项目在用户u_i推荐列表和测试集的交集中的位置，rank(F_i)表示的是第一个推荐出的并且存在于用户u_i的测试集中的项目在推荐列表中的位置。则准确率(Precision)、召回率(Recall)、平均准确率(MAP)和平均倒数排名(MRR)的定义如式(12)、(13)、(14)和(15)所示：

3、实验结果

为了验证本发明所提出的融合群组信息的列表级学习项目推荐方法的有效性。本文在抓取的豆瓣数据集上进行建模和推荐，选取了概率矩阵分解方法(PMF)、奇异值分解方法(SVD)、贝叶斯个性化排序矩阵分解方法(BPRMF)、加权贝叶斯个性化排序矩阵分解方法(WBPRMF)、结构错误最小化排序矩阵分解方法(SMRMF)和文档列表方法(ListWise)六种方法作为对比方法，并将推荐结果在测试集进行比较。实验结果如图2、图3、图4和图5所示，图2至图5中的横坐标均表示推荐的个数，图2中纵坐标表示推荐的准确率，图3中纵坐标表示推荐的召回率，图4中纵坐标表示推荐的平均准确率，图5中纵坐标表示推荐的平均倒数排名。由图2至图5可以看出，融合群组信息的列表级学习项目推荐方法在各个评价指标下均优于现有方法，证明了本发明提出方法的有效性和可行性。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种融合群组信息的列表级学习项目推荐方法，其特征在于，包括如下步骤：

其中，U表示用户集合，并有U＝{U₁,U₂,...,U_i,...,U_N}，U_i表示第i个用户；I表示项目集合，并有I＝{I₁,I₂,...,I_j,...,I_M}，I_j表示第j个项目；R表示用户对项目的评分矩阵，并有R＝{R_i,j}_N×M，R_i,j＝p表示第i个用户U_i对第j个项目I_j的评分为p；R_i,j为空表示第i个用户U_i对第j个项目I_j尚未有评分；；其中，1≤i≤|U|，1≤j≤|I|，1≤p≤L；L为用户为项目评分的最高值，|U|和|I|分别表示用户和项目集合中元素的数量；

G表示群组集合，并有G＝{G₁,G₂,...,G_g,...G_K}，G_g表示第g个群组；F表示群组用户矩阵，为布尔矩阵，并有F＝{F_g,i}_K×N，F_g,i表示第i个用户U_i是否属于群组G_g的信息：若F_g,i＝1，则表示第i个用户U_i属于第g个群组G_g；若F_g,i＝0，则表示第i个用户U_i不属于第g个群组G_g；1≤g≤K；群组数量K为预设值；